简介面向水下无线光通信研究的一份实用资料围绕基于生成对抗网络GAN的自适应光学方案展开用于补偿海洋湍流对携带轨道角动量OAM的涡旋光束造成的畸变。资源为1个PDF文档大小823KB内容涵盖数值模拟数据生成、畸变强度与相位屏映射建模、GAN生成器与判别器构建、训练与补偿效果评估等完整流程并附有可运行的简化Python代码及关键解释。除基础实现外还探讨了Zernike系数补偿、增强型GAN架构、多损失函数设计等改进方向对比了不同湍流强度下的性能表现对从事UWOC系统开发和深度学习光学应用的研究人员、工程师具有较高参考价值。目前已有105人学习该资源。1. 当螺旋波前遇上随机海洋海洋湍流的本质是温度、盐度细微起伏叠加成的折射率抖动对一束理想的涡旋光束来说这种抖动会把螺旋相位的等高线搅乱光强分布从干净的甜甜圈变成带破碎斑点和暗区的亮环接收端的轨道角动量纯度随之明显下降。传统自适应光学要靠哈特曼波前探测器先测出斜率再迭代解算变形镜电压整个闭环过程通常需要数轮校正才能在强湍流信道里恢复模式纯度浅海场景下往往跟不上信道起伏速度。这里介绍的方案是把畸变光强图直接交给一个带对抗训练的生成网络让生成器输出湍流相位图校正端只需把该相位共轭加载到液晶空间光调制器上即可省去逐帧迭代。这套思路适合做海洋激光通信、水下量子密钥分发仿真的研究者也适合正在实验室里复现快速波前校正的工程师。2. 从OAM畸变模型到对抗生成任务的映射2.1 涡旋光束畸变的数学表达一束沿 z 传播的 OAM 涡旋光束在发射端可近似写为复振幅(u(r,\phi)\propto r^{|l|}e^{-r^2/w^2}e^{il\phi})其中 (l) 是拓扑荷数(w) 是束腰。经过厚度为 (L) 的海洋湍流时入射场等效乘以一个随机相位扰动 (e^{i\Phi(x,y)})。在弱起伏条件下接收面光强可写为 (I|u\cdot e^{i\Phi}|^2)相位扰动 (\Phi) 会把原本只落在拓扑荷 (l) 上的能量扩展到其他拓扑荷 (l) 上形成模间串扰。把这个展开到不同拓扑荷上的能量占比称为模式纯度是衡量畸变程度的核心指标。GAN 要解决的问题就是从单帧畸变光强 (I_d) 反演出湍流相位 (\Phi)或者更准确地说直接估计用于补偿的相位共轭值 (-\Phi)。从强度恢复相位是典型的病态逆问题可观测数据是光强的实数模平方丢失了相位信息。普通 CNN 回归相位图容易得到平滑但错误的结果原因在于像素级损失如 MSE会把高频相位细节平均掉。对抗损失则不同它迫使生成结果在统计分布上接近真实湍流相位流形判别器学到的不是逐像素差异而是相位图中局部起伏、低频倾斜和边缘纹理的联合结构。因此GAN 在这里的作用不只是“超分辨率”或者“图像翻译”而是作为相位恢复的正则约束器。2.2 为什么把补偿任务交给GAN而不是传统AO传统自适应光学系统依赖波前传感器测量斜率再通过波前重构算法解算出畸变相位。这一套流程在实验室大气湍流信道中已经很成熟但放到海洋环境下会遇到两个问题。第一海洋湍流的外尺度小、变化频率高想要校正快速波前需要在闭环带宽上做到千赫兹量级机械变形镜和迭代控制很难跟住。第二波前传感器需要借助稳定的导星光路水下系统中很难为每个接收端都安排一个不受湍流影响的光源。GAN 方案用一次前向传播得到相位推理延迟如果部署在 GPU 或 FPGA 上通常在亚毫秒到几毫秒之间瓶颈只存在于网络执行速度和数据通路。下表对比了两种路径的核心差异项目传统自适应光学GAN直接补偿波前获取方式哈特曼传感器测斜率单帧光强图直接反演校正器件变形镜或压电陶瓷空间光调制器计算延迟多轮迭代毫秒到十毫秒级单次前向亚毫秒到毫秒级对湍流强度变化的适应硬件增益可实时调节需要训练覆盖范围外推能力弱训练成本不需要训练需要大量配对仿真或实验数据从表中能看出GAN 方案把实时性放在首位代价是需要离线阶段把特定信道条件下的湍流统计特征学好。一个常见误区是在训练集里混入不同信道参数后指望网络自动泛化到所有场景。实际工程上更稳妥的做法是按湍流强度分档训练多个模型或者在网络输入时额外给定条件参数让同一个模型在指定信道条件下切换行为。为了量化畸变程度工程上常用模式纯度作为指标。下面的代码用二维复场做投影把能量映射到不同拓扑荷上import numpy as np def oam_mode_purity(field, l_grid): 将接收面复振幅场投影到目标拓扑荷上返回各l的功率占比。 field: 二维复振幅数组shape (H, W) l_grid: 需要计算的拓扑荷数组如 [-4, -2, 0, 2, 4] H, W field.shape y, x np.indices((H, W)) phi np.angle((x - W/2) 1j*(y - H/2)) total np.sum(np.abs(field)**2) 1e-12 powers {} for l in l_grid: proj np.sum(field * np.exp(-1j * l * phi)) powers[l] np.abs(proj)**2 / total return powers这段代码以图像中心为相位奇点构造极角phi再把复振幅场投影到各拓扑荷基函数 (e^{il\phi}) 上。归一化使用全场总功率得到每个拓扑荷的相对能量占比。实际使用时孔径边缘会产生截断效应所以模拟中最好在窗口边缘加软边窗否则计算出的串扰会虚高。这个函数既可以用于训练样本打标签也可以用于最后验证补偿效果。3. 用PyTorch复现海洋湍流补偿GAN的最小实现3.1 生成训练数据海洋湍流相位屏与畸变光强海洋湍流功率谱比大气湍流复杂严格建模要同时考虑温度、盐度对折射率起伏的贡献。不过很多工程仿真仍采用广义谱近似先给定湍流相干长度 (r_0)再生成随机相位屏。下面给出一个基于谱反演法的实现它用逆傅里叶变换把功率谱密度变为空间相位分布def ocean_phase_screen(r0, size, dim, alpha11/3): 生成一张近似海洋湍流的随机相位屏。 r0: 湍流相干长度越小代表湍流越强 size: 网格单边点数 dim: 相位屏物理边长单位与r0一致 alpha: 功率谱指数海洋湍流一般取3.3~3.6 dx dim / size fx np.fft.fftfreq(size, ddx) X, Y np.meshgrid(fx, fx) fr np.sqrt(X**2 Y**2) fr[size//2, size//2] 1e-9 spectrum 0.023 * r0**(-5/3) * fr**(-alpha) spectrum[size//2, size//2] 0 # 复高斯随机场乘以功率谱幅度再取逆傅里叶变换 random_field np.random.randn(size, size) 1j*np.random.randn(size, size) phase np.real(np.fft.ifft2(np.sqrt(spectrum) * random_field)) return phase这个函数先构造空间频率网格按幂律谱计算每个频率分量的幅度再乘以复高斯随机字段经逆傅里叶变换得到空间域相位。r0越小频谱幅度越大生成的相位起伏越剧烈。注意谱反演法在低频段采样不够网格数低于 512 时会丢失大尺度倾斜实际仿真中需要叠加低频次谐波屏补足。海洋湍流的非科尔莫戈罗夫性可以通过alpha参数调节训练时最好在 3.3 到 3.6 之间随机采样让模型对谱曲率变化有容错能力。接下来生成训练样本。发射端用简化的拉盖尔-高斯模式乘上相位屏就得到畸变场光强作为输入原始相位作为标签def make_training_sample(size256, mode_index2): x np.linspace(-0.03, 0.03, size) X, Y np.meshgrid(x, x) r np.sqrt(X**2 Y**2) phi np.angle(X 1j*Y) w0 0.012 lg_amp (r/w0)**abs(mode_index) * np.exp(-r**2/w0**2) field lg_amp * np.exp(1j * mode_index * phi) r0 np.random.uniform(0.005, 0.02) phase ocean_phase_screen(r0r0, sizesize, dim0.06, alphanp.random.uniform(3.3, 3.6)) target_phase np.arctan2(np.sin(phase), np.cos(phase)) distorted field * np.exp(1j * phase) intensity np.abs(distorted)**2 intensity intensity / intensity.max() return intensity.astype(np.float32), target_phase.astype(np.float32)这里把目标相位折叠到 ([-π, π])目的是避免网络在角度回归时撞上 (2π) 跳变点。输入光强归一化到 01防止不同样本的绝对功率差异干扰卷积层初始化。r0用均匀采样但实际上湍流强度在信道中通常按对数分布更合理的采样是按对数区间生成否则弱湍流样本会占多数模型倾向输出零相位。3.2 搭建U-Net生成器和PatchGAN判别器生成网络采用 U-Net因为校正相位既需要保留光强图中细小斑点的边缘又需要把低空间频率的大倾斜结构估计出来。U-Net 的跳跃连接正好能把编码器不同尺度的特征直接送到解码器避免高频信息在逐层下采样时丢光。这里给出一个轻量实现import torch import torch.nn as nn class UNet(nn.Module): def __init__(self, in_ch1, out_ch2): super().__init__() self.down1 nn.Sequential( nn.Conv2d(in_ch, 64, 3, 1, 1), nn.LeakyReLU(0.2), nn.Conv2d(64, 64, 3, 1, 1), nn.LeakyReLU(0.2)) self.pool1 nn.MaxPool2d(2) self.down2 nn.Sequential( nn.Conv2d(64, 128, 3, 1, 1), nn.LeakyReLU(0.2), nn.Conv2d(128, 128, 3, 1, 1), nn.LeakyReLU(0.2)) self.pool2 nn.MaxPool2d(2) self.down3 nn.Sequential( nn.Conv2d(128, 256, 3, 1, 1), nn.LeakyReLU(0.2), nn.Conv2d(256, 256, 3, 1, 1), nn.LeakyReLU(0.2)) self.up1 nn.Upsample(scale_factor2, modebilinear, align_cornersFalse) self.up2 nn.Upsample(scale_factor2, modebilinear, align_cornersFalse) self.conv_up1 nn.Sequential( nn.Conv2d(256 128, 128, 3, 1, 1), nn.ReLU(), nn.Conv2d(128, 128, 3, 1, 1), nn.ReLU()) self.conv_up2 nn.Sequential( nn.Conv2d(128 64, 64, 3, 1, 1), nn.ReLU(), nn.Conv2d(64, 64, 3, 1, 1), nn.ReLU()) self.head nn.Conv2d(64, out_ch, 1) def forward(self, x): c1 self.down1(x) x self.pool1(c1) c2 self.down2(x) x self.pool2(c2) x self.down3(x) x self.up1(x) x self.conv_up1(torch.cat([x, c2], dim1)) x self.up2(x) x self.conv_up2(torch.cat([x, c1], dim1)) return self.head(x)解码器每次上采样后都把对应层编码器特征拼接到通道维。c1是原始分辨率一半的特征c2是四分之一分辨率特征这样解码器在恢复高频相位细节时可以直接参考浅层轮廓。out_ch2表示生成两个通道分别对应相位角的正弦和余弦。把角度拆成 sin/cos 是为了让损失函数在角度周期边界处依然连续否则网络会过度聚焦在 (π) 和 (-π) 之间的数值跳跃上。判别器使用 PatchGAN它的输出不是整个图像的单一真伪分数而是一张反映局部块真伪的 score map。这样做对相位图中的局部畸变模式更敏感比如湍流中的小尺度涡旋如果只给整图一个分数判别器很容易忽略局部统计差异。实现如下class PatchDisc(nn.Module): def __init__(self, in_ch2): super().__init__() self.layers nn.Sequential( nn.Conv2d(in_ch, 64, 4, 2, 1), nn.LeakyReLU(0.2), nn.Conv2d(64, 128, 4, 2, 1), nn.BatchNorm2d(128), nn.LeakyReLU(0.2), nn.Conv2d(128, 256, 4, 2, 1), nn.BatchNorm2d(256), nn.LeakyReLU(0.2), nn.Conv2d(256, 1, 4, 1, 1) ) def forward(self, x): return self.layers(x)判别器输入是两通道相位表示真实样本从标签相位计算 sin/cos 后拼接生成样本直接来自生成器输出。由于相位图是周期性量使用 sin/cos 表示可以避免判别器学到不存在的边界。batch size 小于 8 时BatchNorm 统计量抖动比较大可以替换成 InstanceNorm尤其在生成器和判别器同时训练的时候。3.3 损失函数对抗损失与相位周期一致性损失GAN 的原始形式里判别器用的是标准二分类交叉熵很多初读论文的人会困惑交叉熵公式中为什么没有负号。原因很简单把生成器和判别器的极小极大博弈拆成两个优化目标后负号已经被二分类标签约定吸收写代码时直接使用 BCEWithLogitsLoss 就不必手动加负号。这里为了训练稳定采用最小二乘 GAN 形式损失越大梯度信号越清晰不容易出现标准 GAN 的梯度消失问题。def loss_generator(disc_out, gen_out, target_phase, lambda_content100): # 生成器对抗损失让判别器认为生成相位是真的 adv_loss torch.mean((disc_out - 1)**2) # 周期一致性损失约束sin/cos与目标sin/cos一致 sinv, cosv gen_out[:, 0], gen_out[:, 1] sin_t, cos_t torch.sin(target_phase), torch.cos(target_phase) content_loss torch.mean((sinv - sin_t)**2 (cosv - cos_t)**2) return adv_loss lambda_content * content_loss, adv_loss, content_loss这里没有直接对还原后的相位做 L1 损失。原因在于相位分布是周期性的直接算角度数值差会在 (π) 附近产生巨大但无意义的误差而这个误差又无法通过梯度正确引导网络。sin/cos 损失天然把角度映射到单位圆上不论目标角度在哪个象限梯度都是沿最短弧方向走。lambda_content默认取 100若发现生成相位过于平滑可以减小到 3050若对抗训练导致相位在高频出现伪影则需要适当增大。判别器损失用最小二乘形式计算真实样本向 1 靠拢生成样本向 0 靠拢def loss_discriminator(disc_real, disc_fake): d_loss torch.mean((disc_real - 1)**2) torch.mean(disc_fake**2) return d_loss4. 训练设置、参数调优和仿真验证4.1 训练循环训练时需要注意生成器和判别器交替更新的顺序。先优化判别器让它在当前生成器输出下能分辨真伪再用更新后的判别器给生成器传梯度。生成器传入判别器的样本必须从计算图里切断否则判别器梯度会同时更新生成器参数导致崩溃。下面是一个标准单步逻辑def train_one_step(gen, disc, g_opt, d_opt, intensity, phase): # 输入维度intensity (1,1,H,W), phase (1,1,H,W) intensity intensity.unsqueeze(0).unsqueeze(0).cuda() phase phase.unsqueeze(0).unsqueeze(0).cuda() # 判别器更新 d_opt.zero_grad() fake_sincos gen(intensity) real_sincos torch.cat([torch.sin(phase), torch.cos(phase)], dim1) d_real disc(real_sincos) d_fake disc(fake_sincos.detach()) d_loss torch.mean((d_real - 1)**2) torch.mean(d_fake**2) d_loss.backward() d_opt.step() # 生成器更新 g_opt.zero_grad() d_fake_for_g disc(fake_sincos) g_loss, adv_loss, content_loss loss_generator( d_fake_for_g, fake_sincos, phase, lambda_content100) g_loss.backward() g_opt.step()判别器更新时fake_sincos.detach()非常关键没有这一步逆向传播会从判别器穿回生成器造成梯度方向混乱。生成器更新时用fake_sincos重新过一遍判别器这时计算图包含生成器路径对抗损失才能作用于生成器权重。4.2 关键参数对照与调整建议训练这个网络时参数不是越激进越好。下表是从实验里归纳出的经验值参数参考值过量或不足的表现输入分辨率256×256低于256会丢失小尺度涡旋信息生成器通道基数64通道数翻倍会明显增加显存收敛加快有限判别器感受野Patch 70×70patch过小会忽略整体湍流分布生成器学习率2e-4超过5e-4容易震荡低于1e-4收敛慢判别器学习率1e-4高于生成器会让判别器迅速压过生成器lambda_content100太大相位平滑太小高频伪影明显batch size16低于8时把BatchNorm换成InstanceNorm学习率调度推荐在前 200 轮使用线性 warmup之后再按轮次线性衰减直接把整个训练周期的学习率从峰值降到 0。如果发现判别器损失一直低于 0.01而生成器损失还在高位说明判别器太强。此时可以降低判别器学习率或把生成器每步训练改成两步以平衡对抗压力。4.3 仿真验证用模式纯度和斯特列尔比说话训练完成后需要物理指标而不是只看损失曲线。验证过程是先生成一张测试湍流相位构造畸变光强让网络输出估计相位再用该相位的共轭乘回畸变场最后计算校正后的模式纯度。def apply_correction(field, phase_est): corrected field * np.exp(-1j * phase_est) return correctedphase_est是网络输出经atan2还原后的相位。由于指数运算天然忽略 (2π) 整数倍网络估计相位中的全局折叠不会影响校正效果。模式纯度可以直接复用之前定义的oam_mode_purity如果原始拓扑荷 (l2) 处的功率占比从畸变后的 0.3 恢复到 0.85 以上说明补偿成功。斯特列尔比的定义是校正后轴上光强峰值与无湍流理想光强的比值计算时注意采样网格要足够细否则峰值强度会被插值抹平。建议在同一批测试相位屏上取平均不要用单张相位屏的指标做判断因为湍流是随机过程单次结果起伏很大。5. 工程落地时的三个实用进阶技巧5.1 用相位梯度损失压掉网格伪影生成器在对抗训练中容易产生棋盘格或网格状纹理尤其当判别器过强时生成器会用高频结构“骗过”判别器。这时可以在原有损失中增加一个梯度一致性惩罚约束生成相位的梯度与目标相位梯度接近def gradient_loss(phase_pred, target_phase): dx_pred phase_pred[:, :, :, 1:] - phase_pred[:, :, :, :-1] dy_pred phase_pred[:, :, 1:, :] - phase_pred[:, :, :-1, :] dx_t target_phase[:, :, :, 1:] - target_phase[:, :, :, :-1] dy_t target_phase[:, :, 1:, :] - target_phase[:, :, :-1, :] return torch.mean(torch.abs(dx_pred - dx_t) torch.abs(dy_pred - dy_t))这里的phase_pred要先通过atan2还原但为了避免相位跳变影响梯度最好在 sin/cos 表示下做梯度差。实际工程中常用的是拉普拉斯惩罚用torch.nn.functional.l1_loss比较两幅相位图的拉普拉斯卷积结果效果类似且实现更简洁。5.2 把湍流参数嵌入生成器做条件生成单一模型很难覆盖从弱湍流到强湍流的整个范围。与其训练多个模型不如在生成器输入侧多拼接一个条件通道把归一化后的 (1/r_0) 值或湍流强度等级作为条件标量广播成二维特征图。训练时对每个样本记录当时的 (r_0) 或功率谱指数推理时由外部传感器估计出当前湍流强度后传入。这样模型可以无缝平滑工作在不同信道状态下而不会在外推时剧烈失效。5.3 用知识蒸馏换实时推理大 U-Net 在仿真里精度很高但部署到实时系统时延迟仍然偏高。常见做法是训练一个参数更少的学生网络用教师网络的输出作为软标签蒸馏损失由对抗损失和输出相位特征损失两部分组成。学生网络可以小到只剩 3 个卷积层和 2 个上采样层推理帧率能提升 5 到 10 倍。蒸馏时需要注意教师网络输出同样要经过 sin/cos 编码否则学生学到的相位边界还是不连续。现场调试时建议先用单帧数据把这条流程走通再切换到连续帧序列做时间平滑因为单帧补偿和连续帧补偿对模型输入的统计特性要求并不完全一样。本文还有配套的精品资源点击获取
基于GAN的海洋湍流OAM波前校正：原理与PyTorch实现
简介面向水下无线光通信研究的一份实用资料围绕基于生成对抗网络GAN的自适应光学方案展开用于补偿海洋湍流对携带轨道角动量OAM的涡旋光束造成的畸变。资源为1个PDF文档大小823KB内容涵盖数值模拟数据生成、畸变强度与相位屏映射建模、GAN生成器与判别器构建、训练与补偿效果评估等完整流程并附有可运行的简化Python代码及关键解释。除基础实现外还探讨了Zernike系数补偿、增强型GAN架构、多损失函数设计等改进方向对比了不同湍流强度下的性能表现对从事UWOC系统开发和深度学习光学应用的研究人员、工程师具有较高参考价值。目前已有105人学习该资源。1. 当螺旋波前遇上随机海洋海洋湍流的本质是温度、盐度细微起伏叠加成的折射率抖动对一束理想的涡旋光束来说这种抖动会把螺旋相位的等高线搅乱光强分布从干净的甜甜圈变成带破碎斑点和暗区的亮环接收端的轨道角动量纯度随之明显下降。传统自适应光学要靠哈特曼波前探测器先测出斜率再迭代解算变形镜电压整个闭环过程通常需要数轮校正才能在强湍流信道里恢复模式纯度浅海场景下往往跟不上信道起伏速度。这里介绍的方案是把畸变光强图直接交给一个带对抗训练的生成网络让生成器输出湍流相位图校正端只需把该相位共轭加载到液晶空间光调制器上即可省去逐帧迭代。这套思路适合做海洋激光通信、水下量子密钥分发仿真的研究者也适合正在实验室里复现快速波前校正的工程师。2. 从OAM畸变模型到对抗生成任务的映射2.1 涡旋光束畸变的数学表达一束沿 z 传播的 OAM 涡旋光束在发射端可近似写为复振幅(u(r,\phi)\propto r^{|l|}e^{-r^2/w^2}e^{il\phi})其中 (l) 是拓扑荷数(w) 是束腰。经过厚度为 (L) 的海洋湍流时入射场等效乘以一个随机相位扰动 (e^{i\Phi(x,y)})。在弱起伏条件下接收面光强可写为 (I|u\cdot e^{i\Phi}|^2)相位扰动 (\Phi) 会把原本只落在拓扑荷 (l) 上的能量扩展到其他拓扑荷 (l) 上形成模间串扰。把这个展开到不同拓扑荷上的能量占比称为模式纯度是衡量畸变程度的核心指标。GAN 要解决的问题就是从单帧畸变光强 (I_d) 反演出湍流相位 (\Phi)或者更准确地说直接估计用于补偿的相位共轭值 (-\Phi)。从强度恢复相位是典型的病态逆问题可观测数据是光强的实数模平方丢失了相位信息。普通 CNN 回归相位图容易得到平滑但错误的结果原因在于像素级损失如 MSE会把高频相位细节平均掉。对抗损失则不同它迫使生成结果在统计分布上接近真实湍流相位流形判别器学到的不是逐像素差异而是相位图中局部起伏、低频倾斜和边缘纹理的联合结构。因此GAN 在这里的作用不只是“超分辨率”或者“图像翻译”而是作为相位恢复的正则约束器。2.2 为什么把补偿任务交给GAN而不是传统AO传统自适应光学系统依赖波前传感器测量斜率再通过波前重构算法解算出畸变相位。这一套流程在实验室大气湍流信道中已经很成熟但放到海洋环境下会遇到两个问题。第一海洋湍流的外尺度小、变化频率高想要校正快速波前需要在闭环带宽上做到千赫兹量级机械变形镜和迭代控制很难跟住。第二波前传感器需要借助稳定的导星光路水下系统中很难为每个接收端都安排一个不受湍流影响的光源。GAN 方案用一次前向传播得到相位推理延迟如果部署在 GPU 或 FPGA 上通常在亚毫秒到几毫秒之间瓶颈只存在于网络执行速度和数据通路。下表对比了两种路径的核心差异项目传统自适应光学GAN直接补偿波前获取方式哈特曼传感器测斜率单帧光强图直接反演校正器件变形镜或压电陶瓷空间光调制器计算延迟多轮迭代毫秒到十毫秒级单次前向亚毫秒到毫秒级对湍流强度变化的适应硬件增益可实时调节需要训练覆盖范围外推能力弱训练成本不需要训练需要大量配对仿真或实验数据从表中能看出GAN 方案把实时性放在首位代价是需要离线阶段把特定信道条件下的湍流统计特征学好。一个常见误区是在训练集里混入不同信道参数后指望网络自动泛化到所有场景。实际工程上更稳妥的做法是按湍流强度分档训练多个模型或者在网络输入时额外给定条件参数让同一个模型在指定信道条件下切换行为。为了量化畸变程度工程上常用模式纯度作为指标。下面的代码用二维复场做投影把能量映射到不同拓扑荷上import numpy as np def oam_mode_purity(field, l_grid): 将接收面复振幅场投影到目标拓扑荷上返回各l的功率占比。 field: 二维复振幅数组shape (H, W) l_grid: 需要计算的拓扑荷数组如 [-4, -2, 0, 2, 4] H, W field.shape y, x np.indices((H, W)) phi np.angle((x - W/2) 1j*(y - H/2)) total np.sum(np.abs(field)**2) 1e-12 powers {} for l in l_grid: proj np.sum(field * np.exp(-1j * l * phi)) powers[l] np.abs(proj)**2 / total return powers这段代码以图像中心为相位奇点构造极角phi再把复振幅场投影到各拓扑荷基函数 (e^{il\phi}) 上。归一化使用全场总功率得到每个拓扑荷的相对能量占比。实际使用时孔径边缘会产生截断效应所以模拟中最好在窗口边缘加软边窗否则计算出的串扰会虚高。这个函数既可以用于训练样本打标签也可以用于最后验证补偿效果。3. 用PyTorch复现海洋湍流补偿GAN的最小实现3.1 生成训练数据海洋湍流相位屏与畸变光强海洋湍流功率谱比大气湍流复杂严格建模要同时考虑温度、盐度对折射率起伏的贡献。不过很多工程仿真仍采用广义谱近似先给定湍流相干长度 (r_0)再生成随机相位屏。下面给出一个基于谱反演法的实现它用逆傅里叶变换把功率谱密度变为空间相位分布def ocean_phase_screen(r0, size, dim, alpha11/3): 生成一张近似海洋湍流的随机相位屏。 r0: 湍流相干长度越小代表湍流越强 size: 网格单边点数 dim: 相位屏物理边长单位与r0一致 alpha: 功率谱指数海洋湍流一般取3.3~3.6 dx dim / size fx np.fft.fftfreq(size, ddx) X, Y np.meshgrid(fx, fx) fr np.sqrt(X**2 Y**2) fr[size//2, size//2] 1e-9 spectrum 0.023 * r0**(-5/3) * fr**(-alpha) spectrum[size//2, size//2] 0 # 复高斯随机场乘以功率谱幅度再取逆傅里叶变换 random_field np.random.randn(size, size) 1j*np.random.randn(size, size) phase np.real(np.fft.ifft2(np.sqrt(spectrum) * random_field)) return phase这个函数先构造空间频率网格按幂律谱计算每个频率分量的幅度再乘以复高斯随机字段经逆傅里叶变换得到空间域相位。r0越小频谱幅度越大生成的相位起伏越剧烈。注意谱反演法在低频段采样不够网格数低于 512 时会丢失大尺度倾斜实际仿真中需要叠加低频次谐波屏补足。海洋湍流的非科尔莫戈罗夫性可以通过alpha参数调节训练时最好在 3.3 到 3.6 之间随机采样让模型对谱曲率变化有容错能力。接下来生成训练样本。发射端用简化的拉盖尔-高斯模式乘上相位屏就得到畸变场光强作为输入原始相位作为标签def make_training_sample(size256, mode_index2): x np.linspace(-0.03, 0.03, size) X, Y np.meshgrid(x, x) r np.sqrt(X**2 Y**2) phi np.angle(X 1j*Y) w0 0.012 lg_amp (r/w0)**abs(mode_index) * np.exp(-r**2/w0**2) field lg_amp * np.exp(1j * mode_index * phi) r0 np.random.uniform(0.005, 0.02) phase ocean_phase_screen(r0r0, sizesize, dim0.06, alphanp.random.uniform(3.3, 3.6)) target_phase np.arctan2(np.sin(phase), np.cos(phase)) distorted field * np.exp(1j * phase) intensity np.abs(distorted)**2 intensity intensity / intensity.max() return intensity.astype(np.float32), target_phase.astype(np.float32)这里把目标相位折叠到 ([-π, π])目的是避免网络在角度回归时撞上 (2π) 跳变点。输入光强归一化到 01防止不同样本的绝对功率差异干扰卷积层初始化。r0用均匀采样但实际上湍流强度在信道中通常按对数分布更合理的采样是按对数区间生成否则弱湍流样本会占多数模型倾向输出零相位。3.2 搭建U-Net生成器和PatchGAN判别器生成网络采用 U-Net因为校正相位既需要保留光强图中细小斑点的边缘又需要把低空间频率的大倾斜结构估计出来。U-Net 的跳跃连接正好能把编码器不同尺度的特征直接送到解码器避免高频信息在逐层下采样时丢光。这里给出一个轻量实现import torch import torch.nn as nn class UNet(nn.Module): def __init__(self, in_ch1, out_ch2): super().__init__() self.down1 nn.Sequential( nn.Conv2d(in_ch, 64, 3, 1, 1), nn.LeakyReLU(0.2), nn.Conv2d(64, 64, 3, 1, 1), nn.LeakyReLU(0.2)) self.pool1 nn.MaxPool2d(2) self.down2 nn.Sequential( nn.Conv2d(64, 128, 3, 1, 1), nn.LeakyReLU(0.2), nn.Conv2d(128, 128, 3, 1, 1), nn.LeakyReLU(0.2)) self.pool2 nn.MaxPool2d(2) self.down3 nn.Sequential( nn.Conv2d(128, 256, 3, 1, 1), nn.LeakyReLU(0.2), nn.Conv2d(256, 256, 3, 1, 1), nn.LeakyReLU(0.2)) self.up1 nn.Upsample(scale_factor2, modebilinear, align_cornersFalse) self.up2 nn.Upsample(scale_factor2, modebilinear, align_cornersFalse) self.conv_up1 nn.Sequential( nn.Conv2d(256 128, 128, 3, 1, 1), nn.ReLU(), nn.Conv2d(128, 128, 3, 1, 1), nn.ReLU()) self.conv_up2 nn.Sequential( nn.Conv2d(128 64, 64, 3, 1, 1), nn.ReLU(), nn.Conv2d(64, 64, 3, 1, 1), nn.ReLU()) self.head nn.Conv2d(64, out_ch, 1) def forward(self, x): c1 self.down1(x) x self.pool1(c1) c2 self.down2(x) x self.pool2(c2) x self.down3(x) x self.up1(x) x self.conv_up1(torch.cat([x, c2], dim1)) x self.up2(x) x self.conv_up2(torch.cat([x, c1], dim1)) return self.head(x)解码器每次上采样后都把对应层编码器特征拼接到通道维。c1是原始分辨率一半的特征c2是四分之一分辨率特征这样解码器在恢复高频相位细节时可以直接参考浅层轮廓。out_ch2表示生成两个通道分别对应相位角的正弦和余弦。把角度拆成 sin/cos 是为了让损失函数在角度周期边界处依然连续否则网络会过度聚焦在 (π) 和 (-π) 之间的数值跳跃上。判别器使用 PatchGAN它的输出不是整个图像的单一真伪分数而是一张反映局部块真伪的 score map。这样做对相位图中的局部畸变模式更敏感比如湍流中的小尺度涡旋如果只给整图一个分数判别器很容易忽略局部统计差异。实现如下class PatchDisc(nn.Module): def __init__(self, in_ch2): super().__init__() self.layers nn.Sequential( nn.Conv2d(in_ch, 64, 4, 2, 1), nn.LeakyReLU(0.2), nn.Conv2d(64, 128, 4, 2, 1), nn.BatchNorm2d(128), nn.LeakyReLU(0.2), nn.Conv2d(128, 256, 4, 2, 1), nn.BatchNorm2d(256), nn.LeakyReLU(0.2), nn.Conv2d(256, 1, 4, 1, 1) ) def forward(self, x): return self.layers(x)判别器输入是两通道相位表示真实样本从标签相位计算 sin/cos 后拼接生成样本直接来自生成器输出。由于相位图是周期性量使用 sin/cos 表示可以避免判别器学到不存在的边界。batch size 小于 8 时BatchNorm 统计量抖动比较大可以替换成 InstanceNorm尤其在生成器和判别器同时训练的时候。3.3 损失函数对抗损失与相位周期一致性损失GAN 的原始形式里判别器用的是标准二分类交叉熵很多初读论文的人会困惑交叉熵公式中为什么没有负号。原因很简单把生成器和判别器的极小极大博弈拆成两个优化目标后负号已经被二分类标签约定吸收写代码时直接使用 BCEWithLogitsLoss 就不必手动加负号。这里为了训练稳定采用最小二乘 GAN 形式损失越大梯度信号越清晰不容易出现标准 GAN 的梯度消失问题。def loss_generator(disc_out, gen_out, target_phase, lambda_content100): # 生成器对抗损失让判别器认为生成相位是真的 adv_loss torch.mean((disc_out - 1)**2) # 周期一致性损失约束sin/cos与目标sin/cos一致 sinv, cosv gen_out[:, 0], gen_out[:, 1] sin_t, cos_t torch.sin(target_phase), torch.cos(target_phase) content_loss torch.mean((sinv - sin_t)**2 (cosv - cos_t)**2) return adv_loss lambda_content * content_loss, adv_loss, content_loss这里没有直接对还原后的相位做 L1 损失。原因在于相位分布是周期性的直接算角度数值差会在 (π) 附近产生巨大但无意义的误差而这个误差又无法通过梯度正确引导网络。sin/cos 损失天然把角度映射到单位圆上不论目标角度在哪个象限梯度都是沿最短弧方向走。lambda_content默认取 100若发现生成相位过于平滑可以减小到 3050若对抗训练导致相位在高频出现伪影则需要适当增大。判别器损失用最小二乘形式计算真实样本向 1 靠拢生成样本向 0 靠拢def loss_discriminator(disc_real, disc_fake): d_loss torch.mean((disc_real - 1)**2) torch.mean(disc_fake**2) return d_loss4. 训练设置、参数调优和仿真验证4.1 训练循环训练时需要注意生成器和判别器交替更新的顺序。先优化判别器让它在当前生成器输出下能分辨真伪再用更新后的判别器给生成器传梯度。生成器传入判别器的样本必须从计算图里切断否则判别器梯度会同时更新生成器参数导致崩溃。下面是一个标准单步逻辑def train_one_step(gen, disc, g_opt, d_opt, intensity, phase): # 输入维度intensity (1,1,H,W), phase (1,1,H,W) intensity intensity.unsqueeze(0).unsqueeze(0).cuda() phase phase.unsqueeze(0).unsqueeze(0).cuda() # 判别器更新 d_opt.zero_grad() fake_sincos gen(intensity) real_sincos torch.cat([torch.sin(phase), torch.cos(phase)], dim1) d_real disc(real_sincos) d_fake disc(fake_sincos.detach()) d_loss torch.mean((d_real - 1)**2) torch.mean(d_fake**2) d_loss.backward() d_opt.step() # 生成器更新 g_opt.zero_grad() d_fake_for_g disc(fake_sincos) g_loss, adv_loss, content_loss loss_generator( d_fake_for_g, fake_sincos, phase, lambda_content100) g_loss.backward() g_opt.step()判别器更新时fake_sincos.detach()非常关键没有这一步逆向传播会从判别器穿回生成器造成梯度方向混乱。生成器更新时用fake_sincos重新过一遍判别器这时计算图包含生成器路径对抗损失才能作用于生成器权重。4.2 关键参数对照与调整建议训练这个网络时参数不是越激进越好。下表是从实验里归纳出的经验值参数参考值过量或不足的表现输入分辨率256×256低于256会丢失小尺度涡旋信息生成器通道基数64通道数翻倍会明显增加显存收敛加快有限判别器感受野Patch 70×70patch过小会忽略整体湍流分布生成器学习率2e-4超过5e-4容易震荡低于1e-4收敛慢判别器学习率1e-4高于生成器会让判别器迅速压过生成器lambda_content100太大相位平滑太小高频伪影明显batch size16低于8时把BatchNorm换成InstanceNorm学习率调度推荐在前 200 轮使用线性 warmup之后再按轮次线性衰减直接把整个训练周期的学习率从峰值降到 0。如果发现判别器损失一直低于 0.01而生成器损失还在高位说明判别器太强。此时可以降低判别器学习率或把生成器每步训练改成两步以平衡对抗压力。4.3 仿真验证用模式纯度和斯特列尔比说话训练完成后需要物理指标而不是只看损失曲线。验证过程是先生成一张测试湍流相位构造畸变光强让网络输出估计相位再用该相位的共轭乘回畸变场最后计算校正后的模式纯度。def apply_correction(field, phase_est): corrected field * np.exp(-1j * phase_est) return correctedphase_est是网络输出经atan2还原后的相位。由于指数运算天然忽略 (2π) 整数倍网络估计相位中的全局折叠不会影响校正效果。模式纯度可以直接复用之前定义的oam_mode_purity如果原始拓扑荷 (l2) 处的功率占比从畸变后的 0.3 恢复到 0.85 以上说明补偿成功。斯特列尔比的定义是校正后轴上光强峰值与无湍流理想光强的比值计算时注意采样网格要足够细否则峰值强度会被插值抹平。建议在同一批测试相位屏上取平均不要用单张相位屏的指标做判断因为湍流是随机过程单次结果起伏很大。5. 工程落地时的三个实用进阶技巧5.1 用相位梯度损失压掉网格伪影生成器在对抗训练中容易产生棋盘格或网格状纹理尤其当判别器过强时生成器会用高频结构“骗过”判别器。这时可以在原有损失中增加一个梯度一致性惩罚约束生成相位的梯度与目标相位梯度接近def gradient_loss(phase_pred, target_phase): dx_pred phase_pred[:, :, :, 1:] - phase_pred[:, :, :, :-1] dy_pred phase_pred[:, :, 1:, :] - phase_pred[:, :, :-1, :] dx_t target_phase[:, :, :, 1:] - target_phase[:, :, :, :-1] dy_t target_phase[:, :, 1:, :] - target_phase[:, :, :-1, :] return torch.mean(torch.abs(dx_pred - dx_t) torch.abs(dy_pred - dy_t))这里的phase_pred要先通过atan2还原但为了避免相位跳变影响梯度最好在 sin/cos 表示下做梯度差。实际工程中常用的是拉普拉斯惩罚用torch.nn.functional.l1_loss比较两幅相位图的拉普拉斯卷积结果效果类似且实现更简洁。5.2 把湍流参数嵌入生成器做条件生成单一模型很难覆盖从弱湍流到强湍流的整个范围。与其训练多个模型不如在生成器输入侧多拼接一个条件通道把归一化后的 (1/r_0) 值或湍流强度等级作为条件标量广播成二维特征图。训练时对每个样本记录当时的 (r_0) 或功率谱指数推理时由外部传感器估计出当前湍流强度后传入。这样模型可以无缝平滑工作在不同信道状态下而不会在外推时剧烈失效。5.3 用知识蒸馏换实时推理大 U-Net 在仿真里精度很高但部署到实时系统时延迟仍然偏高。常见做法是训练一个参数更少的学生网络用教师网络的输出作为软标签蒸馏损失由对抗损失和输出相位特征损失两部分组成。学生网络可以小到只剩 3 个卷积层和 2 个上采样层推理帧率能提升 5 到 10 倍。蒸馏时需要注意教师网络输出同样要经过 sin/cos 编码否则学生学到的相位边界还是不连续。现场调试时建议先用单帧数据把这条流程走通再切换到连续帧序列做时间平滑因为单帧补偿和连续帧补偿对模型输入的统计特性要求并不完全一样。本文还有配套的精品资源点击获取