DI-GAN：基于深度學習的動態形變多模光纖透反射光控制

1 論文核心概念

本文提出了一種名為 DI-GAN（Deep Imaging Generative Adversarial Network） 的持續深度學習框架，用于動態形變多模光纖（MMF） 的光場控制。該框架能夠同時利用透射和反射信息，實現對光纖末端光場的實時自適應聚焦，解決了傳統方法在動態形變下適應性差、響應慢、易遺忘先前狀態等問題。

怎么解決適應性差的問題

DI-GAN通過構建一個融合持續學習與多模態感知的閉環系統來解決適應性差的問題。注意輸入端以及多模態鍵值對

怎么解決反應慢的問題

DI-GAN通過極致化的推理架構設計解決響應慢的問題：在訓練階段完成所有復雜學習后，推理時僅保留計算量最小的編碼器（一個精心設計的輕量級CNN），該網絡通過使用更少的層數、通道數及高效算子（如深度可分離卷積），大幅減少參數量和浮點運算，使其單次前向傳播可在毫秒內完成，從而實現對光纖動態形變的實時高速響應。

怎么解決易遺忘的問題

采用數據回放策略，在學習新形變狀態時，從存儲緩沖區中混合部分舊狀態數據一起訓練，同時引入彈性權重鞏固（EWC） 算法，計算參數重要性并約束重要參數的更新幅度，從而在整合新知識的同時牢固保持對已學習舊狀態的記憶能力，實現動態環境下的穩定性能。