模型法、正则化与深度学习：怎样公平比较光声重建

SECTION 01先向前预测，再反过来求解

令 x 表示离散初始压力，A 表示声传播、探测器与采样过程，测量向量为 y。最简单的模型关系是 y = A x + n。求解时需要明确 A 是否包含有限孔径、频率响应、声衰减和非均匀声速；忽略的部分最终可能出现在残差或图像偏差中。把波形按通道堆叠的顺序，也必须与模型一致。

A 可以显式存成矩阵，也可由模拟器实现逐次前向计算。图像越大，显式矩阵的存储成本越高。k-Wave 原始工具箱论文提供了时域声场模拟与时间反演的物理计算基础，但具体优化算法仍需说明如何使用前向、伴随或其他梯度近似。（来源 1）

SECTION 02正则项决定哪些错误更不容易被接受

L2 正则化偏好能量较小的解；梯度平方惩罚偏好平滑变化；总变差则倾向保留边界、压低不必要的空间起伏。它们都不是免费的信息：过强的平滑会模糊细节，过强的总变差可能让连续变化呈现分块外观。正则参数 α 需要在独立的验证数据上选定，不能逐张看答案调节。

Zhang 等人的 TV-Lp 研究在其数值与体外实验设置中比较了稀疏数据重建，展示了总变差和非凸惩罚结合的一个具体实现。读这类结果时，应同时看对象、采样方式、噪声和计算预算，不能将某个实验中的优势推广成“总变差总是最好”。（来源 2）

SECTION 03学习后处理与学习迭代不是同一件事

学习后处理把一次重建结果输入网络，再输出图像；学习迭代则把数据一致性等信息放进若干更新步骤。前者容易接入已有流程，后者可在更新中再次利用测量约束，但两者仍受训练分布和物理模型影响。图像更像训练集，不等于缺失的结构已经被测量证实。

Hauptmann 等人的研究比较了有限视角、欠采样三维光声重建中的总变差、学习去噪后处理与学习迭代方案。论文结果支持其特定数据与扰动设置下的比较；不能据此承诺新探头、新组织或新型结构也有相同改善。实际应用应保留网络版本、训练来源和分布外检查。（来源 3）

SECTION 04教学比较：固定数据，再加入未参与调参的变化

可设计一套假设性基准：训练或调参只使用圆盘与分支线结构；最终评估再加入闭环、孤立短线和非常细的连接。所有方法输入相同通道和时间记录，使用相同计算精度与显示范围。经典方法的正则参数和网络检查点在评估前锁定，禁止针对最终图像重新挑参数。

除基准噪声外，再单独引入 1% 的声速变化、一个采样间隔的零点偏移和少量失效通道，记录性能变化。这些数字只是拟议的扰动设置。应先确认它们相对本设备误差有合理意义，再执行实验；不能把这一计划写成已经获得的鲁棒性结果。

• 数据残差：观察算法有没有解释实际波形，而不只看彩图。
• 结构指标：检查细连接是否消失、背景是否新增分支。
• 代价指标：分别记录预计算、训练、单次重建时间和峰值内存。

SECTION 05把评价结论写到它真正支持的范围内

只有模拟真值时，可以报告图像误差、结构相似性和定位偏差，但要说明正向模型与逆模型的差别。只有实测数据而没有完整真值时，宜增加重复采集、独立几何参照与原始数据一致性检查。不能把与某个重建基线更相似，等同于更接近真实组织。

最终推荐应带条件：在哪个孔径、带宽、噪声范围和对象类型下，哪种方法以怎样的代价取得怎样的表现。若换模型后优势消失，这也是有效发现。保留一个参数透明的快速基线，往往有助于判断复杂方法到底修正了什么，又可能隐藏了什么。