基于深度展开网络的压缩超快摄影冲击波速度诊断干涉光场重建方法

《Optics & Laser Technology》：Compressed ultrafast photography of shock wave velocity diagnostic interferometric light field based on deep unfolding network

本文提出了一种基于深度展开网络（Deep Unfolding Network）的CUP-VISAR干涉条纹重建方法，通过模型与数据双驱动策略，在ADMM（交替方向乘子法）框架下展开迭代过程，并引入可训练的DRUNet（深度残差U型网络）作为深度去噪器。该方法有效解决了传统算法在惯性约束聚变（ICF）冲击波速度场诊断中存在的散斑噪声、CCD背景噪声及重建效率低的问题，显著提升了重建条纹的峰值信噪比（PSNR>29 dB）和结构相似性（SSIM>0.9），并将最大速度误差降至1.66%，为ICF流体不稳定性研究提供了更可靠的数据支持。

　　

Section snippets

CUP-VISAR working principle

图1展示了CUP-VISAR诊断系统的示意图，该系统由VISAR（任意反射面速度干涉仪）和CUP（压缩超快摄影）两部分组成。在VISAR系统中，探测激光器发出的探测光经光路传输至靶面，在多普勒效应作用下，反射的探测光产生多普勒频移。探测光随后返回至配备干涉仪的光学分路，形成干涉条纹。条纹的变化反映了冲击波速度的时空演化信息。

Optimization solution framework

实验中还需考虑光学系统及环境等因素引入的噪声。E=AI的反演过程可表述为求解以下优化问题：

min‖I‖₀

s.t. E=AI+Z,

其中Z代表观测噪声。优化问题（2）属于l₀范数最小化问题，是NP难问题，难以在多项式时间内求解。然而，当测量矩阵与稀疏基满足约束等距性（RIP）条件时，l₀范数问题可松弛为l₁范数问题求解。

Acquisition of simulation data

基于文献[19,62–64]及实验分析，为验证算法性能，本文模拟了弯曲条纹（如图4所示），其维度为350×600×50。图4(a)展示了原始三维条纹图像I(x,y,t)的分布，图4(b)为2D-VISAR信号在特定时刻的二维条纹图像。模拟数据为算法重建效果评估提供了基准。

Acquisition of experimental data

实验在神光-III原型装置上开展。CUP-VISAR系统中条纹相机1的狭缝全开（约4 mm），扫描范围设为50 ns，时间分辨率50 ps，探测光脉冲宽度2 ns。实验采集的编码图像尺寸为532×686（图9a），二维压缩采样数据如图9b所示。这些数据用于验证所提算法在实际ICF诊断环境中的有效性。

Conclusion

为解决CUP-VISAR诊断系统信号信噪比低导致的冲击波条纹重建质量不佳及效率低下问题，本文提出了一种基于深度展开网络的条纹重建方法。该方法通过ADMM框架展开迭代，结合可训练的DRUNet去噪器，显著提升了重建质量与速度，为ICF复杂环境下的流体不稳定性研究提供了有力工具。