浑浊介质中高光谱成像恢复斜钻孔包裹体深度图与等点波长的双网络方法

《Sensors》：An Explainable Attention-Enhanced Deep Learning Model for Memory-Forensic Malware Detection

　　# 摘要浑浊的组织模拟介质的高光谱成像（HSI）使每一个光谱中的包裹体几何形态与周围基质光学性质相互纠缠。我们从含有斜钻孔状包裹体的聚氨酯仿体的高光谱数据立方体中恢复了两个物理上不同的量：包裹体的密集深度图，以及标量等点波长——即在近不变性点处，漫反射率随深度变化的调制恰好抵消的那个波长。单一的multi-task U-Net是此类互补目标的糟糕折中方案：密集头和标量头在不同的epoch达到各自的最优，而全局池化破坏了波长目标所需的光谱位置信息。因此，我们将问题分解为两个共享同一流程的专用网络：一个用于等点检测的Bin Latent Transformer（BiLT）交叉注意力扫描器，以及一个用于深度图的带掩膜、零填充的U-Net。在严格的跨仿体划分下，深度网络的平均相对误差达到14.2%（σ = 2.1%），而早期工作中的解析双带折射率方法为19.4%，multi-task基线约为12.9%。零填充配合掩膜损失，保留了裁剪所丢弃的包裹体宽度信息，这是决定性因素；而以等点条件约束深度则未带来进一步增益。等点网络仅从光谱出发即可达到4.6 nm的RMSE（σ = 0.7 nm）。等点检测器的合理设置变化本身会使标签产生2.6至3.9 nm的均方根偏差，而重新训练的网络仍保持在4.8至5.3 nm之间。结合oracle诊断和逐块检测诊断，这表明性能天花板是检测器受限的标签噪声底线，而非模型缺陷。对整个包裹体取平均后，RMSE降至5.1 nm的平台值，将可平均的随机误差与不可约致的回归到均值偏差区分开来。对于此处测试的直斜钻孔，深度任务已达到可部署精度，等点网络则在直接光学测定失效时提供了有用的逐段估计。