基于衍射神经网络的多散射体透波聚焦方法
当前定位
本文目前建议聚焦于一个更清晰的问题：在多散射体位于传播路径中的情况下，能否通过散射体前方的可训练相位面，使电磁波穿过散射环境后在指定目标区域形成稳定聚焦。这个问题不等同于传统电磁逆散射中的目标重建，也不等同于全波求解器替代。本文更接近于 scattering-aware diffractive wavefront optimization，即把衍射神经网络和复杂介质波前控制结合起来，用可微传播模型直接优化入射相位。
为了避免论文主线被 CST 或某一个软件平台带偏，当前版本弱化全波 teacher-student 校准，把它放在后续扩展或讨论中。论文主体应围绕透波聚焦、散射复杂度、目标位置变化、前沿基线对比和物理可解释图来展开。无导引是本文的重要约束，即目标区域不放置物理 guide star、探针或实时反馈源，但它不单独作为唯一创新点。
摘要草稿
复杂散射环境会显著改变入射波前的相位、幅度和能量分布，使自由空间聚焦相位在多体散射条件下出现明显退化。现有深度学习电磁逆散射方法主要关注由散射测量到目标图像或介质参数的重建，而较少直接研究如何在散射体前端设计入射波前以实现散射体后的透波聚焦。本文提出一种基于衍射神经网络的散射感知透波聚焦方法，将可训练相位调制面、可微传播模型、多散射体相互作用和目标区域聚焦损失统一到端到端优化框架中。该方法不依赖目标端物理导星或实时反馈，而是通过散射 forward model 对入射相位进行梯度优化。实验结果表明，在三圆柱和九圆柱散射环境中，优化相位相对于无相位、自由空间球面相位和自由空间 GS 全息相位均能显著提高目标区能量占比。进一步的散射复杂度曲线显示，球面相位在自由空间和弱散射场景中是强基线，但随着散射体数量增加快速退化；优化相位在中高复杂度散射场景中保持更高聚焦效率。目标位置变化实验表明，同一可微优化框架可以通过改变目标模板为不同输出区域生成对应补偿相位。本文结果说明，衍射神经网络优化得到的相位不是普通自由空间透镜相位，而是包含散射环境相关补偿的入射波前设计。
关键词：电磁散射；衍射神经网络；透波聚焦；波前优化；多散射体；可微传播
1. 引言骨架
穿墙雷达、遮挡感知、复杂介质成像和受阻传播场景都面临一个共同问题：电磁波在到达目标区域之前会经过墙体、介质障碍物或多个散射体。散射环境不仅会衰减透射能量，还会引入多路径传播、相干干涉、阴影区和角谱能量重分布。对于聚焦任务而言，难点并不是简单把能量发射得更强，而是入射波前在穿过散射体后已经不再满足自由空间几何传播假设。
现有学习型电磁逆散射方法已经在目标重建上取得进展，例如将散射场映射到介质对比度、目标轮廓或图像。这类工作通常回答“如何从散射测量恢复目标”。本文回答的问题不同：在散射体已经构成传播环境时，如何优化入射相位，使输出面目标区域获得更高能量集中。因此，本文的核心对象不是重建散射体，而是利用散射环境中的传播规律完成波前控制。
传统 wavefront shaping 和传输矩阵方法已经证明，通过控制入射自由度可以在复杂介质后方实现聚焦。但许多方法依赖目标端反馈、导星、完整传输矩阵标定或实验闭环测量。本文当前工作采用另一条路线：构建一个可微的衍射传播和散射近似模型，把入射相位作为可训练变量，通过目标区域损失直接反传优化。这样做的目的不是替代所有实验反馈方法，而是在可控多散射体 benchmark 中建立一种无目标端物理反馈的散射感知相位优化框架。
本文的贡献可以写成三点。
第一，本文将多散射体后的透波聚焦表述为散射感知衍射波前优化问题，建立相位面、可微传播、多散射体模型和目标区域损失组成的端到端优化链路。
第二，本文通过三圆柱、五圆柱、九圆柱等复杂度变化实验表明，优化相位的优势主要在散射复杂度增强后体现。球面相位在自由空间和弱散射环境中本来就是强基线，但在多体散射下明显退化。
第三，本文引入自由空间 GS 全息相位、低预算反馈式 SPGD 和分块传输矩阵相位共轭作为信息条件不同的对比基线，说明性能提升并不只是来自更复杂的自由空间相位设计，而是来自散射 forward model 参与优化后的补偿相位。
2. 相关工作写作主线
相关工作不建议写成大综述，而应围绕“本文到底和谁不同”展开。
学习型电磁逆散射主要解决由散射测量到目标介质或图像的反演问题。DeepNIS、learned CSI、two-step deep learning inverse scattering 和 complex Pix2pix/GAN 类方法都可以作为代表。这些方法的评价重点通常是重建误差、图像质量和推理速度。本文与它们的区别在于，本文不输出目标图像，而是输出能够让波穿过散射体后聚焦的入射相位。
Physics-informed 电磁学习和 PINN 方向强调在网络训练中加入 Helmholtz 或 Maxwell 方程残差，用于场预测、参数反演或少标签学习。本文不把当前多切片传播模型包装成完整 PDE solver，而是把它作为可反传的优化载体。这里的创新不在于“物理方程残差更完整”，而在于模型被嵌入波前控制闭环，目标函数直接作用在输出聚焦场上。
D2NN 和衍射光学神经网络证明了传播和可训练相位层可以作为网络结构完成光学计算。本文借鉴这一思想，但任务从自由空间信息处理转向散射体后的波前补偿。也就是说，本文的相位面不是为了分类或成像，而是为了在散射环境中恢复目标区域能量集中。
Wavefront shaping、传输矩阵和相位共轭方法与本文问题最接近。这些方法证明了复杂介质后的聚焦是物理上可行的，但通常需要目标端反馈、导星、相干测量或完整标定。本文的差异在于用可微 forward model 替代目标端物理反馈，把散射感知相位设计变成一个可重复、可分析的优化问题。
可编程超表面和 RIS 工作提供了硬件层面的波束赋形、聚焦和智能传播环境控制。本文现阶段不以具体硬件实现为主，而把相位面视为可训练波前自由度，重点讨论算法层面的散射补偿机制。后续若接入超表面或相控阵，本文框架可以作为相位求解器或设计器。
3. 方法章节草稿
本文考虑二维或准二维多散射体传播场景。入射波首先到达位于散射体前方的相位调制面。该调制面只改变入射场相位，不改变幅度。给定初始入射复场 (E_0(x,z))，相位面后的场可以表示为
[ E_\phi(x,z)=E_0(x,z)\exp(j\phi(x,z)), ]
其中 (\phi(x,z)) 是待优化变量。随后，场通过自由空间传播算子进入散射体区域。当前实现使用可微传播和多切片近似描述散射体对场的调制与传播，使输出面复场可以写成
[ E_{\mathrm{out}} = \mathcal{P}{2}\left(\mathcal{S}{\theta}\left(\mathcal{P}{1}(E\phi)\right)\right), ]
其中 (\mathcal{P}{1}) 和 (\mathcal{P}{2}) 表示传播算子，(\mathcal{S}_{\theta}) 表示由散射体几何和材料参数决定的可微散射传播模块。本文优化的不是散射体参数，而是入射相位 (\phi)。
聚焦任务通过目标窗口内的能量占比、聚焦对比度和定位误差评价。目标区域能量占比定义为目标窗口内强度积分与整个观察面的强度积分之比。优化时可以使用目标模板损失或目标区域能量最大化损失。实践中，球面相位常作为优化初值，因为它已经提供自由空间几何聚焦能力；梯度优化在此基础上进一步修正由散射体引入的相位扰动。
本文对比的相位策略包括无相位、自由空间球面相位、GS 自由空间全息相位、反馈式 SPGD、分块传输矩阵相位共轭和本文可微散射感知优化。不同方法的信息条件不同：球面相位只使用几何距离，GS 使用自由空间传播和目标强度模板，SPGD 使用目标区强度反馈，分块 TM 使用低维复响应标定，本文方法使用散射 forward model 和梯度信息。因此，论文中应避免简单写成“所有基线同等条件下排名”，而应强调这些基线对应不同信息条件。
4. 实验设置
实验采用多圆柱散射体作为可控 benchmark。圆柱数量从空场景、单圆柱、三圆柱、五圆柱到九圆柱逐步增加，用于刻画散射复杂度变化。目标区域设置在散射体后的观察面上。主要指标包括目标区能量占比、聚焦对比度、定位误差和峰值背景比。
实验分为四组。
主性能实验比较三圆柱和九圆柱场景下无相位、球面相位、GS 相位和本文优化相位的聚焦效果。
散射复杂度实验固定目标位置和观测面，改变散射体数量，观察球面相位和优化相位随复杂度变化的性能差异。
目标位置实验固定九圆柱散射环境，改变目标窗口位置，检验同一优化框架是否能够为不同输出区域生成有效补偿相位。
物理解释实验展示球面相位、优化相位、相位差和输出面强度分布，用于说明优化相位不是简单复制自由空间透镜相位，而是在散射环境中引入局部补偿。
5. 实验结果
5.1 三圆柱和九圆柱主结果
三圆柱场景中，无相位策略的目标区能量占比仅为 0.000285，聚焦对比度为 -11.39 dB，峰值位置与目标中心相差 185.62 mm。这说明在未调控条件下，散射体后的输出能量基本没有集中到目标区域。自由空间球面相位将目标区能量占比提高到 0.380408，聚焦对比度达到 21.95 dB，定位误差降至 5.30 mm。优化相位进一步将目标区能量占比提高到 0.669662，聚焦对比度达到 27.13 dB。
九圆柱场景更能体现散射感知补偿的必要性。无相位策略的目标区能量占比下降到 0.000009，聚焦对比度为 -26.39 dB。球面相位虽然仍有改善，但目标区能量占比只有 0.059492，定位误差为 56.37 mm。优化相位在同一九圆柱场景中将目标区能量占比提高到 0.654795，聚焦对比度达到 26.85 dB，定位误差降低到 19.12 mm。相对于球面相位，优化相位的目标区能量占比约提高 11.01 倍。
| 场景 | 相位策略 | 目标区能量占比 | 聚焦对比度 / dB | 定位误差 / mm |
|---|---|---|---|---|
| 三圆柱 | 无相位 | 0.000285 | -11.39 | 185.62 |
| 三圆柱 | 球面相位 | 0.380408 | 21.95 | 5.30 |
| 三圆柱 | 优化相位 | 0.669662 | 27.13 | 11.86 |
| 九圆柱 | 无相位 | 0.000009 | -26.39 | 240.53 |
| 九圆柱 | 球面相位 | 0.059492 | 12.08 | 56.37 |
| 九圆柱 | 优化相位 | 0.654795 | 26.85 | 19.12 |
5.2 前沿基线对比
为了避免论文只停留在“比无相位和球面相位好”，本文进一步加入 GS 全息相位、SPGD 和分块 TM 相位共轭。九圆柱中心目标场景中，GS 全息相位的目标区能量占比为 0.136013，高于球面相位的 0.059492，但仍明显低于本文可微优化的 0.616869。这个结果说明，更复杂的自由空间全息相位设计不能替代散射感知优化。
| 方法 | 信息条件 | forward 次数 | 目标区能量占比 | 聚焦对比度 / dB | 定位误差 / mm |
|---|---|---|---|---|---|
| 无相位 | 不使用相位调控 | 1 | 0.000009 | -26.39 | 240.53 |
| 球面相位 | 只使用自由空间几何 | 1 | 0.059492 | 12.08 | 56.37 |
| GS 全息相位 | 自由空间传播 + 目标强度模板 | 80 | 0.136013 | 16.04 | 21.87 |
| SPGD | 目标区强度反馈，非梯度 | 120 | 0.000252 | -11.93 | 341.27 |
| 分块 TM 相位共轭 | 16×16 分块复响应 | 256 | 0.004757 | 0.86 | 501.13 |
| 本文可微优化 | 散射 forward model + 梯度 | 120 | 0.616869 | 26.13 | 19.12 |
当前写法建议在主文中重点保留无相位、球面相位、GS 和本文方法。SPGD 可以作为 low-budget feedback-assisted baseline，TM 目前只是低维参考，不应写成严格 oracle upper bound。
5.3 散射复杂度曲线
散射复杂度曲线是当前最能支撑创新的实验。结果显示，球面相位在自由空间中目标区能量占比达到 0.8028，说明它不是弱基线。在单圆柱场景中，球面相位仍达到 0.6181。随着散射体数量增加，球面相位明显退化：三圆柱下降到 0.3804，五圆柱下降到 0.1139，九圆柱下降到 0.0595。相比之下，优化相位在 C3、C5 和 C9 中分别达到 0.5347、0.5865 和 0.5211，在中高复杂度场景中保持更高目标区能量占比。
| 复杂度 | 无相位 | 球面相位 | 优化相位 | 优化 / 球面 |
|---|---|---|---|---|
| C0 | 0.0039 | 0.8028 | 0.4845 | 0.60 |
| C1 | 0.0001 | 0.6181 | 0.5214 | 0.84 |
| C3 | 0.0003 | 0.3804 | 0.5347 | 1.41 |
| C5 | 0.0000 | 0.1139 | 0.5865 | 5.15 |
| C9 | 0.0000 | 0.0595 | 0.5211 | 8.76 |
这组结果应谨慎表述为：本文方法并不是在所有条件下都碾压球面相位；在自由空间或弱散射条件下，球面相位本来就接近最优。方法优势主要在多体散射增强后体现，这恰好支撑了 scattering-aware compensation 的论文主线。
5.4 目标位置变化
固定九圆柱散射环境并改变目标位置后，优化相位在五个目标点上均提高目标区能量占比。中心目标 T0 中，优化相位相对于球面相位提高 11.07 倍；左右偏轴目标 T1 和 T2 分别提高 6.44 倍和 5.56 倍；上下偏轴目标 T3 和 T4 中，球面相位本身已经较强，优化相位仍有约 1.17 到 1.20 倍提升。
| 目标 | 球面相位能量占比 | 优化相位能量占比 | 优化 / 球面 |
|---|---|---|---|
| T0 | 0.0385 | 0.4258 | 11.07 |
| T1 | 0.0729 | 0.4689 | 6.44 |
| T2 | 0.0846 | 0.4703 | 5.56 |
| T3 | 0.5488 | 0.6424 | 1.17 |
| T4 | 0.5325 | 0.6391 | 1.20 |
该结果说明，同一可微优化框架可以通过改变目标模板为不同输出区域生成相应补偿相位。这里不能写成“单个训练好的网络泛化到任意目标点”，因为当前实验是每个目标位置重新优化相位。
5.5 相位与输出场解释
球面相位主要由自由空间路径长度决定，呈现平滑的几何聚焦结构。优化相位在球面相位基础上出现更明显的局部调制。结合九圆柱输出面强度图可以看到，优化相位将目标窗口内能量占比从 0.0595 提升到 0.5211。这个结果支持这样的解释：优化相位并不是普通自由空间透镜相位，而是包含与散射体几何、多路径干涉和能量重分布相关的补偿项。
6. 当前图件安排
当前先放入一张 AI 生成的概念底稿，用作 Figure 1 和 Figure 2 的临时占位图。该图不是最终投稿版，主要用于当前总稿通读和展示时判断叙事结构是否顺畅。
Fig. 1 建议画成问题和差异图：左侧是 through-wall / obstructed sensing 动机，中间是其他路线，右侧是本文 scattering-aware diffractive wavefront optimization。不要再把 CST calibration 放成主路线中心。
Fig. 2 是方法架构图：入射场、可训练相位面、传播到多散射体、输出观察面、目标区域损失反传。图中需要突出相位面位于散射体前方，目标端没有物理 guide star。
Fig. 3 是重点工作对比表或方法定位图：inverse scattering、PINN、D2NN、wavefront shaping、metasurface/RIS、本文方法。它帮助说明本文不是单纯和球面相位比较，而是和方向内代表性路线区分。
Fig. 4 是主性能和高级基线对比图：三圆柱/九圆柱结果，以及九圆柱中球面、GS、本文方法的指标对比。
Fig. 5 是散射复杂度曲线：C0、C1、C3、C5、C9 下无相位、球面相位、优化相位的目标区能量占比、对比度和定位误差。
Fig. 6 是目标位置变化：五个目标点的指标柱状图或热图，并配输出面强度矩阵。
Fig. 7 是相位解释图：球面相位、优化相位、相位差、输出面强度，也可以加入 xoz 传播截面。
Fig. 8 预留为鲁棒性或辅助散射控制：如果后续补出随机扰动，就放鲁棒性箱线图；如果不补，则可放后向散射抑制作为 supplementary-style result。
7. 讨论与边界
本文当前结果支持“散射感知透波聚焦”主线，但边界需要主动写清。第一，当前模型不是完整全矢量 Maxwell solver，不应宣称替代全波仿真。第二，当前目标位置变化实验是每个目标模板重新优化相位，不是一个条件网络一次推理所有目标点。第三，不同基线的信息条件不同，SPGD 和 TM 结果尤其需要谨慎解释。第四，如果后续不加入真实墙体或全波实验，引言中只能写 motivated by through-wall and obstructed sensing scenarios，不能写已解决穿墙雷达成像。
下一步最应该补的是论文图件，而不是继续扩散题目。优先补 Fig. 1 和 Fig. 2 的高质量示意图，再把 Fig. 4 到 Fig. 7 的数据图统一成 IEEE 风格。等图件稳定后，再回头写英文引言和方法。