PhysSpec-Net：物理引导的双域学习方法，用于在极低信噪比（SNR）条件下实现空间外差光谱学中的稳健光谱重建

《Expert Systems with Applications》：PhysSpec-Net: Physics-Guided Dual-Domain Learning for Robust Spectral Reconstruction in Spatial Heterodyne Spectroscopy at Extremely Low SNR

　　•物理引导的流程合成配对的低信噪比SHS干涉图-光谱数据。•PhysSpec-Net在极低信噪比下实现了稳健的SHS光谱重建。•傅里叶引导的跨域交互桥接了条纹图案和光谱峰值。•基于峰值的损失函数改善了弱峰重建并抑制了伪影。

引言
从退化测量中可靠地恢复目标信号仍然是智能传感和测量系统中的一个基本挑战。在实际应用中，短的采集时间、微弱的信号强度以及与采集相关的干扰往往导致测量结果具有低信噪比、基线不稳定和结构损坏。这些退化现象使得后续的定性和定量分析变得更加复杂。因此，目标不仅仅是抑制噪声，还要准确可靠地重建与任务相关的结构信息。

空间外差光谱学（SHS）（Harlander, Reynolds, & Roesler, 1992）自20世纪90年代用于天文观测以来已成为一种重要的光学传感技术（Sahoo, Mathew, Battisti, & Tucker, 2024）。作为一种静态干涉测量技术，SHS消除了机械移动部件，并相比传统的傅里叶变换光谱学（Englert, Harlander, Brown, & Marr, 2015）和色散光栅光谱学（Ciaffoni, Matousek, Parker, McCormack, & Mortimer, 2021）具有多种优势。这些优势包括紧凑的光学配置、无需机械扫描即可实现高光谱分辨率、高光学通量以及对振动和错位的鲁棒性（Feng, Sun, Li, Wang, Bai, 2015, Li, Riedel, You, 2024）。因此，SHS已被应用于大气传感（Langille et al., 2017）、等离子体诊断（Burke, Fonck, Mckee, & Winz, 2023）、天文光谱学（Wu, Tan, Yi, Zhang, & Yi, 2019）、同位素分析（Li, Riedel, & You, 2025b）以及拉曼光谱学，用于危险化学物质检测、环境监测和材料表征（Foster, Brooks, Jahn, Hedberg, Andersson, Ashton, 2022, Jin, Luo, Li, Xiong, 2025, Li, Sun, Yu, Li, Liu, Yu, Jirigalantu, Song, Sun, Bayanheshig, 2025a, Liu, Kong, Qin, Fu, Dong, 2025）。尽管具有这些优势，但在极低信噪比条件下从SHS干涉图中可靠地重建光谱仍然非常困难。在实际环境中，由于辐射微弱、背景干扰强和外部干扰复杂，记录的干涉图常常受到光子散粒噪声、探测器读出噪声、强度波动、基线漂移、照明不均匀性和局部探测器缺陷的影响而退化。由于SHS光谱是通过傅里叶解码获得的，这些退化会传播到光谱域，可能表现为光谱泄漏、旁瓣、基线振荡以及减弱或模糊的弱峰。因此，微妙但分析上重要的光谱特征可能会严重失真，影响峰值识别和后续的定量分析。

现有的SHS处理策略已经从传统的逐步信号处理发展到基于模型的逆向重建和数据驱动的表示学习。传统流程通常在干涉图域或光谱域独立进行去噪或基线校正。典型的方法包括Savitzky–Golay平滑（Ait El Alia et al., 2026）、基于小波的去噪（Jia et al., 2025）、非对称最小二乘估计（Shao, Zhou, Zhou, Li, & Li, 2025）以及通用恢复方法如BM3D（Jiang et al., 2025）和WNNM（Ma et al., 2025）。尽管在中等程度的退化下有效，但它们独立设计的处理阶段并没有共同优化条纹恢复、基线抑制和弱峰保留。除了直接过滤之外，基于模型的逆向方法还将信号和仪器先验引入光谱重建中。小波变换正则化已被用于盲目的红外光谱重建（Liu, Liu, Li, Zhang, & Liu, 2018b），随后是用于盲目的仪器功能估计的变换域方法（Liu, Liu, Chen, & Lesgold, 2018a）。随后，仪器响应建模与总变分约束结合使用，以实现FTIR光谱的增强和重叠带的分辨率（Liu et al., 2019）。这些研究代表了从局部信号过滤向显式退化逆向的进步。然而，它们大多仍然是逐步进行的，并没有共同建模二维SHS条纹图案和一维光谱峰值之间的物理对应关系。

最近，基于学习的方法被引入用于干涉图去噪、基线校正和光谱重建，包括多尺度融合网络（Zhao et al., 2025）、卷积编码器-解码器架构（Ye et al., 2025a）以及用于元件误差校正的线路选择性卷积网络（Ye et al., 2025b）。在更广泛的智能视觉传感领域，考虑到退化的恢复框架通过非配对的最优传输公式、频域正则化、自适应退化提示和跨级交互来改进病态图像恢复（Wen, Gao, Chen, Li, Liu, Liu, Liu, 2025a, Wen, Gao, Li, Zhang, Zhang, Chen, 2025b, Wen, Gao, Li, Zhang, Zhang, Chen, Liu, 2026a, Wen, Gao, Liang, Zhang, Li, Qin, Chen, 2026b）。同时，基于Transformer的表示学习在面部表情识别和细粒度图像分类中展示了长距离关系建模、层次特征聚合和任务相关线索选择的有效性（Liu, Liu, Li, Liu, Zhang, Xiong, Li, 2026, Liu, Zhang, Deng, Xie, Liu, Li, 2023, Liu, Zhou, Zhang, Zhu, Liu, Zhang, Li, 2024）。虽然这些研究针对的是视觉识别而不是光谱重建，但它们为基于注意力的表示学习提供了更广泛的方法论背景。然而，单纯的注意力机制并没有明确强制SHS条纹频率和光谱波数之间的物理对应关系。

在逆向成像中，也探索了双域和傅里叶域学习。KIKI-Net和DuDoRNet在相同MRI信号的二维图像和k空间表示之间操作（Eo, Jun, Kim, Jang, Lee, Hwang, 2018, Zhou, Zhou, 2020），而高光谱超分辨率方法则融合了低空间分辨率的高光谱图像和高空间分辨率的多光谱图像（Cao, Lian, Li, Wang, Ma, 2024, Cao, Wang, Dun, Lian, Cheng, Hao, 2026）。傅里叶神经算子则使用傅里叶模式作为潜在的计算表示（Li et al., 2021）。相比之下，SHS重建将二维傅里叶编码的干涉图映射到一维物理光谱。这些现有的范式并不是专门为这种维度不对称的干涉图到光谱的映射设计的。

尽管取得了这些进展，但仍存在几个特定的SHS挑战。大多数现有的SHS导向学习方法仅在单一域中操作，或将干涉图域和光谱域耦合起来，而没有明确强加条纹频率到波数的对应关系。这可能限制了它们在保留弱光谱峰值的同时抑制变换相关伪影的能力。此外，简化的加性白高斯噪声假设（Zhang, Zuo, & Zhang, 2018）无法充分描述实际SHS测量中遇到的异方差和结构化退化。由于缺乏具有可靠干净目标的配对干涉图-光谱数据，进一步的监督重建也受到了限制。这些挑战激发了我们提出的基于测量的模拟、傅里叶对齐的双域交互和基于峰值的优化框架。

为了解决这些挑战，我们提出了PhysSpec-Net，这是一个在极低信噪比条件下用于SHS光谱重建的物理引导的双域框架。该框架专门针对从二维傅里叶编码的干涉图到一维光谱的维度不对称映射进行了设计。它结合了基于测量的SHS模拟、特定于域的干涉图和光谱表示学习、傅里叶对齐的双向交互以及在统一的干涉图到光谱重建过程中的基于峰值的优化。

本工作的主要贡献总结如下：
- 我们开发了一个物理引导的SHS模拟框架，该框架模拟了混合噪声、基线漂移、调制畸变和局部探测器缺陷，实现了配对干涉图-光谱的生成，以便进行监督重建。
- 我们提出了PhysSpec-Net，这是一个物理引导的双域重建框架，它通过逐步的、傅里叶对齐的双向交互，共同利用了维度不对称的2-D干涉图条纹结构和1-D光谱峰值表示，从而在两个域之间保持了物理对齐的信息交换。
- 我们引入了一种基于峰值的背景抑制（PABS）损失函数，该函数在非峰值区域平衡了弱峰保留与残差波动和基线抑制。

本文的其余部分组织如下。第2节介绍了所提出的物理引导的SHS干涉图-光谱对生成模拟框架。第3节介绍了PhysSpec-Net架构和提出的PABS损失函数。第4节报告了在模拟和真实SHS数据上的实验结果。第5节提供了消融研究和进一步的组件分析。最后，第6节总结了本文并讨论了未来的研究方向。

### SHS信号形成原理
如图1所示，典型的SHS系统（Fan et al., 2022）包括一个敏感的干涉光学模块和一个电子成像后端（Zhang et al., 2021）。样品激发光通过光纤探头传输，背散射光在进入干涉系统之前被准直和过滤。在分束器处，入射光被等分成两束，照射到以Littrow角θL安装的衍射光栅G1和G2上。

### PhysSpec-Net：一个用于SHS光谱重建的物理引导的双域框架
SHS光谱重建本质上是一个由SHS正向模型控制的跨域逆问题，该模型将退化的二维干涉图映射到一维光谱。这两个域提供了高度互补的信息：干涉图包含采集域的条纹几何结构和空间结构化的退化模式，而光谱则展示了稀疏的峰值结构和长范围的光谱依赖性。

### 实验与结果
本节评估了PhysSpec-Net在重建保真度、弱峰保留、真实数据可转移性和组件有效性方面的表现。所有方法使用相同的数据集划分和评估程序。

### 双域网络架构的影响
表5比较了完整的双域模型与两个单域变体：仅干涉图的模型和仅光谱的模型。仅干涉图的模型表现较差，特别是在峰值级别指标上，表明在极低信噪比条件下直接将严重退化的干涉图映射到最终光谱是高度病态的。尽管仅光谱的模型表现明显更好，但它仍然明显不如完整的双域模型，特别是在...

### 结论与未来工作
本研究提出了PhysSpec-Net，这是一个用于从极低信噪比的SHS干涉图进行光谱重建的物理引导的双域框架。通过结合基于测量的模拟、傅里叶对齐的跨域交互和基于峰值的优化，该框架在统一的干涉图到光谱映射中整合了退化抑制、基线抑制和光谱恢复。

在模拟测试集上，PhysSpec-Net取得了33.21 dB的PSNR和Peak-F1分数。

### 代码可用性
源代码、模拟脚本、评估脚本、配置文件、固定数据集划分和训练好的模型权重将在发表后公开提供。

### 资助
本工作得到了中国科学院西安光学精密机械研究所支持的 proj [55S19-017] 和陕西省科技创新引导专项项目：区域科技创新中心、战略科技力量类别 [2024QY-SZX-26] 的支持。

### CRediT作者贡献声明
Peng Zhao：概念化、调查、方法论、数据整理、验证、可视化、撰写——原始草稿。
Qi Fan：调查、撰写——审阅与编辑。
Jingyao Cao：数据整理、撰写——审阅与编辑。
Shuo Li：撰写——审阅与编辑。
Yutao Feng：项目管理。
Bingliang Hu：资金获取、项目管理。
Chi Gao：调查、方法论、撰写——审阅与编辑。
Quan Wang：概念化、方法论、资金获取。

### 利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文所述的工作。