IEEE TWC 2026 论文精读与Python代码完整复现｜LAEImager：协作 ISAC 网络中的物理嵌入离网格成像
如有帮助请引用：Huang Y, Yang J, Xia S, et al. Learned off-grid imager for low-altitude economy with cooperative ISAC network[J].IEEE Transactions on Wireless Communications, vol. 25, pp. 3333-3348, 2026.
论文的核心链路是“协作感知建模—PSF 分析—物理域投影—残差网络精修—困难样本挖掘”。以下直接讨论可辨识性、离网格失配和损失函数设计，不再展开通用 ISAC 概念。
01｜从协作信道测量到稀疏低空图像
系统由多个具备通信与感知能力的基站构成。不同基站既可以形成单站收发链路，也可以形成跨基站的多站链路；每条链路再叠加天线对和子载波维度。对感兴趣区域进行三维体素化后，每个体素对应一个候选散射位置，其复散射系数构成稀疏向量 σ。
将全部基站对、天线对和子载波的信道观测堆叠后，系统可写成统一的线性模型：
y=Aσ+n y = A\sigma + ny=Aσ+n
其中，y 是协作网络汇集的信道测量，A 是由基站位置、阵列几何、子载波频率和体素中心共同决定的感知矩阵，n 是测量噪声。σ 的非零位置表示存在无人机的体素，系数幅度反映散射强度。
该建模方式的关键价值在于：它不再对每条链路分别估计距离、角度，再执行跨站匹配；而是让所有链路直接对同一个空间稀疏图像提供约束。传统在网格恢复问题因此可以写成：
σ^=argmin∣σ∣0subject to∣y−Aσ∣2≤ε \hat{\sigma} = \arg \min |\sigma|_0 \\ \text{subject to} \quad |y - A\sigma|_2 \leq \varepsilonσ^=argmin∣σ∣0subject to∣y−Aσ∣2≤ε
这里的困难不只来自零范数。A 的列向量对应不同体素的空间响应，相邻体素可能具有很高的相关性；当网格继续加密时，未知量数量、存储开销和列相关性会同时上升。论文因此先用点扩散函数分析“这个系统究竟能否分开两个相邻体素”，再讨论恢复算法。
02｜PSF：比直接比较重建图更基础的系统诊断量
取感知矩阵中两个体素对应的列向量，归一化内积定义为点扩散函数：
PSF(n1,n2)=∣A(:,n1)HA(:,n2)∣∣A(:,n1)∣2∣A(:,n2)∣2 PSF(n_1, n_2) = \frac{|A(:,n_1)^H A(:,n_2)|}{|A(:,n_1)|_2 |A(:,n_2)|_2}PSF(n1,n2)=∣A(:,n1)∣2∣A(:,n2)∣2∣A(:,n1)HA(:,n2)∣
它本质上就是两个候选体素响应的互相干性。除主峰外，旁瓣越低，稀疏恢复越容易区分相邻体素。最大旁瓣可进一步写成：
P(n1)=maxn2≠n1PSF(n1,n2) P(n_1) = \max_{\substack{n_2 \neq n_1}} \text{PSF}(n_1, n_2)P(n1)=n2=n1maxPSF(n1,n2)
图 3｜二维 PSF 与一维切片。自主复现使用 1600 个候选体素重新构造完整 Gram 结构。主峰附近存在明显的高相关区域，最大旁瓣约为 0.60。这意味着即使没有噪声，相邻体素也不是近似正交的；恢复误差首先受字典几何限制，而不只是受信噪比限制。
图 4｜系统参数扫描。三组曲线揭示了几项具有工程意义的规律。
第一，增加阵列边长 N₀会降低最大旁瓣，因为测量维度和有效孔径同时增加；在相同天线数量下扩大阵元间距，也会降低空间响应相关性。这里的收益来自孔径，而不是简单堆叠阵元。
第二，体素尺寸增大时，相邻体素的空间距离拉开，PSF 旁瓣下降，感知矩阵存储量也显著减小；代价是空间分辨率下降。因此“更细网格”并不天然等于“更准确成像”。
第三，增加带宽能够提供更强的时延分辨力。固定带宽时继续增加子载波，收益会逐渐饱和，因为子载波间隔缩小后新增观测的独立信息有限，而感知矩阵仍持续膨胀。图 4 的真正结论是：阵列孔径、带宽、体素分辨率和计算成本必须联合设计。
03｜离网格误差：加密体素为何不是可靠答案
在网格模型中，A 的每一列都由体素中心计算。但无人机位置是连续的，真实位置 p 与最近体素中心 p* 通常不重合。记两者对应的空间响应为 b 与 b*，归一化失配为：
图 5｜位置偏差与响应失配。自主物理扫描得到的 1 mm 锚点约为 −10.88 dB。也就是说，若希望把响应失配压到 −10 dB 以下，位置误差需要进入毫米量级。对百米级低空区域建立毫米级三维网格，在存储与计算上不可行；更重要的是，图 4 已经说明过密网格还会增强相邻列相关性。
这形成一个结构性矛盾：减小体素可以降低几何量化误差，却会增大字典规模并恶化互相干性。论文因此不再要求模型精确恢复体素内的连续坐标，而是把目标改为判断“哪个体素包含无人机”，再通过学习模块吸收体素内部的位置扰动。
04｜在网格基线：Subspace Pursuit 的角色
论文采用 Subspace Pursuit 作为在网格稀疏恢复基线。SP 先按相关性选择候选支撑，再把旧支撑与新候选合并，通过最小二乘估计系数，保留能量最大的固定数量支撑并更新残差。其优势是结构明确、无需训练；局限是支撑选择完全依赖 A 与真实响应的匹配程度。
当目标在体素中心时，正确列向量确实存在于 A 中，SP 可以高效工作；当目标离开体素中心后，真实响应不再等于任一候选列，早期支撑错误会在后续迭代中被放大。因而 SP 既是可解释基线，也是物理嵌入学习需要超越的误差来源。
05｜物理嵌入学习：为什么输入是 Aᴴy
论文没有让神经网络直接从高维复信道测量学习整幅图像，而是先执行一次匹配投影：
σpri=AHy\sigma_{\text{pri}} = A^{H}yσpri=AHy
初始图像已经位于成像域。它保留了各体素响应与测量之间的相关性，并把阵列几何、传播相位和子载波结构显式嵌入网络输入。随后由残差卷积网络完成非线性精修：
σ^=fθ(σpri) \hat{\sigma} = f_{\theta}(\sigma_{\mathrm{pri}})σ^=fθ(σpri)
这里不先对初始图像做硬阈值，是一个重要设计。SP 的离散支撑一旦选错，会直接丢弃弱目标或相邻体素的信息；Aᴴy 虽然包含旁瓣和离网格模糊，却仍保存连续的相关性图样。网络要学习的是“如何从有物理含义的模糊图中消除系统性伪影”，而不是从原始测量中重新发现全部传播规律。
这一结构还缩小了学习问题：测量维度可以随基站对、阵列和子载波急剧变化，而图像域尺寸由 ROI 网格决定。物理投影先完成维度对齐，网络则专注于空间误差校正。
06｜OHEM：解决的不是普通去噪，而是极端稀疏下的梯度失衡
低空图像绝大多数体素为空，正样本只占极小比例。直接对全部体素求平均 MSE 时，一个输出全零的网络也可能得到不大的损失；但从监测任务看，这意味着检测率为零。
OHEM 的做法是保留全部正体素，只从负体素中选择误差最大的若干个。设正体素数量为 M，负样本选择倍率为 η，则选中的负体素数量为 ηM。两种损失分别是：
LOHEM−1=Lpos+LnegNpos+NnegLOHEM−2=LposNpos+LnegNneg L_{OHEM-1} = \frac{L_{pos} + L_{neg}}{N_{pos} + N_{neg}} \\ L_{OHEM-2} = \frac{L_{pos}}{N_{pos}} + \frac{L_{neg}}{N_{neg}}LOHEM−1=Npos+NnegLpos+LnegLOHEM−2=NposLpos+NnegLneg
OHEM-1 将入选体素放在同一个分母中。η 增大时，负样本总影响增强，网络更倾向压低非零输出；当负样本接近全选时，它逐渐退化为普通 MSE。OHEM-2 则分别归一化正负损失，两类样本在类别层面保持同等权重；η 增大后，每个负体素的平均权重下降，检测率可能继续上升，但误警与幅值误差也可能恶化。
最终损失还加入图像稀疏正则：
L=LOHEM+α∣σ^∣1 L = L_{\text{OHEM}} + \alpha |\hat{\sigma}|_1L=LOHEM+α∣σ^∣1
因此 η 与 α 不是普通的数值微调参数。前者控制网络关注多少困难背景，后者控制非零输出的整体规模，它们共同决定漏检、误警和散射系数估计之间的工作点。
07｜图 7–10：在网格条件下，系统配置决定可恢复性上限
图 7｜阵列规模、基站距离与感知功率。每个参数点采用 10000 次蒙特卡洛平均。随着阵列从 2×2 增至更大规模，MSE 快速下降、SSIM 接近饱和；提高感知功率也带来一致改善。较大的基站间距在这组几何配置下会增强部分观测相关性，使性能变差。曲线在大阵列区间趋于平坦，说明增加硬件后的边际收益会受字典相干性限制。
图 8｜体素尺寸与 SP 重建。在相同区域中，1 m 网格拥有最高名义分辨率，却因列相关性过强而难以稳定恢复；2 m 时能识别部分目标；3 m 时离散支撑明显更完整。它把图 4 的 PSF 结论落实到了重建图上：分辨率参数必须服从当前阵列与带宽真正具备的感知自由度。
图 9｜三维 ROI 参数扫描。增加子载波、扩大带宽和增大有效阵列孔径总体上降低 MSE、提高检测率。固定带宽下，子载波数继续增加后的改善趋缓；这与图 4 的 PSF 饱和现象一致。三维成像的未知体素数量远高于二维切片，因此对独立频率观测和空间孔径更敏感。
图 10｜通信—感知功率权衡。随感知功率增加，不同 ROI 高度的检测率依次进入饱和区；更高的监测区域需要更大的感知功率才能达到相同检测率。与此同时，可分配给通信的功率下降，通信频谱效率缓慢降低。该图不是简单说明“感知功率越大越好”，而是给出了高度、检测率门限和通信吞吐之间的可操作折中。
08｜图 11–13：自主缩放实验如何验证学习机制
图 11-13 采用可计算规模的自主实验：1024 个训练池样本被确定性划分为 922 个训练样本和 102 个验证样本，另使用 256 个独立测试样本，训练 60 轮。其用途是检查数据流、损失行为和趋势，不将绝对指标表述为严格数值复刻。
图 11｜输入域与物理先验对结果的影响。直接从复测量学习图像的缩放基线出现全零输出，说明测量域到图像域的映射对模型容量和数据量非常敏感。SP 后处理能保留部分稀疏支撑，但早期硬选择造成的信息损失无法完全恢复。Aᴴy 路径保留连续相关性图样，不过在当前缩放配置中仍存在较多漏检与误警。这个结果支持的是“物理投影有助于把学习问题放回图像域”，而不是宣称小规模网络已经达到论文报告的绝对性能。
图 12｜训练 MSE 与学习率。四个网络在前若干轮快速下降，随后进入由损失设计决定的平台。OHEM-1 对应的 Net-7 与 Net-9 获得较低 MSE；OHEM-2 对应的 Net-8 与 Net-10 保留更多非零候选，训练 MSE 更高。学习率调度只在验证损失停滞后分段下降，图中平台差异主要来自正负样本权重，而非学习率曲线的偶然偏移。
图 13｜η 的作用机制。OHEM-1 在中等 η 附近取得较好的 MSE 与 SSIM，η 过大后部分训练会收敛到全零解；OHEM-2 的检测率随 η 上升并在约 25–35 区间进入平台，但 MSE、SSIM 和误警同步恶化。两种损失没有统一最优 η：强调幅值与结构相似性时倾向 OHEM-1 的中等倍率，强调少漏检时可以选择 OHEM-2 的较大倍率，同时必须接受更多虚警。
09｜图 14–15：从规则视距模型走向城市三维场景
图 14｜城市峡谷几何。自主实验从真实地图几何中裁剪建筑多边形，构造 50 m×130 m 场景切片，并标注 ROI 和基站位置。它的意义在于把“规则方形基站布局”扩展为存在建筑遮挡的三维场景，为多径、非视距和残余干扰实验提供几何载体。这里展示的是可复现的场景构建结果，不把建筑细节或视角表述为逐像素复刻。
图 15｜残余干扰鲁棒性。缩放实验使用 1024 个三维离网格视距场景，并向物理测量加入与错误感知列相干的残余干扰。干扰比例从 0 增至 100% 时，MSE 从约 0.00125 增至 0.00198，SSIM 从约 0.430 降至 0.313，检测率从约 35.8% 降至 26.0%，误警率则升至约 52.8%。趋势表明：残余自干扰不仅抬高噪声底，还会产生具有空间结构的伪目标，因而比独立白噪声更难通过阈值消除。
10｜如何理解这套自主复现的边界
这套 Python 项目把实验分成两类。
第一类是图 3–5、7–10、14。它们直接从阵列、体素、子载波和传播模型出发，重新计算 PSF、物理测量、SP 重建、参数扫描、通信—感知权衡与城市场景。图 7、9、10 的正式数据来自每点 10000 次蒙特卡洛平均。
第二类是图 11–13、15。完整深度网络实验需要大规模数据生成和多组长时训练，因此交付包提供可实际运行的缩放配置，用于验证网络数据流、OHEM 梯度行为和干扰趋势。所有图都由data/中的最终 CSV 或 NPZ 重新绘制；缩放物理数据则按训练、验证和测试拆成三个自描述 NPZ，每个文件都内嵌特征、标签、样本索引与完整配置。包内同时保留图 11 的 1 个、图 12 的 4 个以及图 13 的 2 个可恢复检查点。全规模训练集和随参数变化的大型感知矩阵仍按需生成，避免把一次配置的高成本缓存误当成通用资产。
这种区分很重要。论文复现不应只看“图形像不像”，还要区分物理量是否重新计算、参数是否固定、随机实验是否真实运行，以及缩放实验能支持什么层级的结论。
11｜Paper-to-Code Mapping
| 论文机制 | 自主 Python 文件 | 核心职责 |
|---|---|---|
| 协作 ISAC 物理模型 | code/src/lae_repro/physics.py | 构造阵列、体素、子载波、收发链路、感知矩阵、PSF 和物理测量 |
| 在网格稀疏恢复 | code/src/lae_repro/sparse.py | 实现单样本、批量和 Gram 形式的 Subspace Pursuit |
| 离网格数据生成 | code/src/lae_repro/offgrid.py | 生成体素内连续位置、Aᴴy 特征和体素级标签 |
| 网络与 OHEM | code/src/lae_repro/learning.py | 管理网络、OHEM-1、OHEM-2、稀疏正则、训练、推理和检查点 |
| 图 3-15 实验 | code/src/lae_repro/experiments/ | 组织参数扫描、蒙特卡洛、缩放训练、城市场景和干扰实验 |
| 指标、绘图和命令行 | code/src/lae_repro/metrics.py、code/src/lae_repro/plotting.py、code/src/lae_repro/cli.py | 计算 MSE、SSIM、OSPA、DR、FAR，读取绘图数据并调度实验 |
| 可编辑配置与资产 | code/src/lae_repro/assets.py、code/configs/ | 管理数据划分、感知矩阵示例、资产指纹和可调物理参数 |
12｜如何运行自主 Python 复现
进入交付包中的代码目录：
cdLAEImager_Python_Reproduction/code使用 Python 3.11 创建环境并安装：
python3.11-mvenv .venv .venv/bin/pipinstall-e.如果只想从已经生成的最终数据重绘图 3–5、7–15，运行：
.venv/bin/lae-repro plot--figuresall图片会写入simulationfigure/，同时生成 PDF、SVG 和 PNG。
运行物理模型、PSF、SP 与正式蒙特卡洛实验：
.venv/bin/lae-repro reproduce--figures3,4,5,7,8,9,10,14--profilepaper图 7、9、10 包含大规模蒙特卡洛计算，完整重跑耗时明显高于直接绘图。
交付包已经包含scaled_train.npz、scaled_validation.npz、scaled_test.npz以及与三个划分匹配的模型检查点。无需重新训练即可直接推理：
.venv/bin/python scripts/infer_scaled_checkpoint.py\--checkpointcheckpoints/fig12/net7.pt\--outputinference_output.npz从 Net-7 的第 60 轮状态继续训练 20 轮：
.venv/bin/python scripts/train_scaled_checkpoint.py\--namefig12/net7\--resumecheckpoints/fig12/net7.pt\--epochs20\--outputcheckpoints/custom/net7_continued.pt交付检查点按实验分组：图 11 保留 1 个 Aᴴy 路径检查点，图 12 保留 Net-7 至 Net-10 共 4 个，图 13 保留 OHEM-1 与 OHEM-2 的 2 个代表性工作点。每个检查点均保存模型、优化器、调度器、已完成轮次、训练历史和数据指纹，因此可直接推理，也可续训。
如需调整阵列、基站距离、感知功率、噪声、ROI 或体素尺寸，先编辑configs/scaled_profile.json，再重新生成与新物理配置一致的数据和缓存：
.venv/bin/python scripts/build_user_assets.py\--configconfigs/scaled_profile.json\--assetsdataset,cache\--overwrite物理配置变化后，应从头训练新检查点，不应对旧检查点使用--resume；脚本会检查数据指纹，阻止把旧检查点错误地续训到不兼容数据上。新模型可用以下命令训练：
.venv/bin/python scripts/train_scaled_checkpoint.py\--configconfigs/scaled_profile.json\--namefig12/net7\--epochs60\--outputcheckpoints/custom/net7_custom.ptcache_examples/small_sensing_matrix.npz内嵌复数感知矩阵、体素坐标和生成元数据；scene/保存处理后建筑几何与查询元数据。因此，用户可以直接重绘、推理和续训，也可修改阵列、子载波、基站几何、噪声、ROI 和体素参数后，重建数据与模型。
写在最后
LAEImager 最值得借鉴的不是“用一个网络替代稀疏恢复”，而是先用 PSF 找出系统可辨识性的边界，再用 Aᴴy 把传播模型嵌入学习输入，最后通过 OHEM 主动控制极端稀疏图像中的梯度分配。物理模型负责约束问题，数据驱动模块负责吸收难以显式参数化的离网格误差，两者的分工十分清晰。
完整的自主 Python 复现项目已整理为可运行目录，包含物理模型、三个缩放数据划分、可恢复检查点、处理后场景几何、感知矩阵示例、实验脚本、逐图数据和高清仿真图。用户既可以开箱推理与续训，也可以修改阵列与 ROI 参数后重建数据、缓存并训练新模型。如需进一步核对公式与代码、调整物理参数或开展对比实验，可关注“无线通信科研笔记”获取完整项目。
