这次我们来看国际基础科学大会（ICBS）上的一个报告：A Fourier method in Tensor Tomography with Applications，报告人是 David Omogbhe。先别被 Tensor Tomography 这个词吓退。它要回答的问题其实很直接：普通 CT 重建的是空间中标量分布，例如 X 射线衰减系数、密度、吸收率；但如果研究对象不是“一个数”，而是带方向的物理量，比如流体速度、应力张量、晶体内部应变、各向异性介质参数，我们还能不能像 CT 那样，靠“沿直线做积分测量”再反推全场？
答案是：能，但数学上要绕一大圈。常规的滤波反投影（FBP）是标量场 Radon 变换的逆，把它直接搬到张量场上是行不通的。因为张量场本身带有方向性，一条直线上的积分会把张量的多个分量化成一个标量输出，丢失的信息比你想象中多。David Omogbhe 这个报告的核心，就是用频域方法重新刻画张量断层扫描中的积分变换，把不可见部分、可见部分、唯一重建条件这些老问题放到傅里叶框架下重新处理。
这篇文章按“问题起源 → 数学模型 → 频域方法原理 → 数值实现思路 → 应用场景 → 复现建议”的顺序来拆解。它不是一份大会逐字笔记，而是给包含 CT 重建、多普勒层析、光弹性测量、地震各向异性成像等方向的算法研究者写的方法地图。如果你正在研究张量场反演或者相关反问题，这篇文章可以提供一条比较完整的理解路径。
1. 报告主题速览：这个报告到底在做什么
在进入公式之前，先给一个速览表。写这篇博客时无法直接引用报告 PPT 的每一页细节，下面内容是根据报告主题、积分几何和张量层析领域公认的数学框架整理出来的。
| 维度 | 内容 |
|---|---|
| 报告主题 | A Fourier method in Tensor Tomography with Applications |
| 报告人 | David Omogbhe |
| 所属会议 | 国际基础科学大会（ICBS） |
| 研究领域 | 积分几何、张量断层扫描、Fourier 分析、反问题 |
| 核心研究对象 | 对称张量场的纵向射线变换 |
| 方法关键词 | Fourier 切片定理、可见分量与不可见分量、频域分解、重建公式 |
| 目标问题 | 由直线积分数据恢复空间中的矢量场或张量场 |
| 典型应用 | 多普勒层析、光弹性断层、应力场重建、地震各向异性成像 |
| 数学门槛 | 需要 Fourier 分析、Radon 变换、张量场分解基础 |
| 是否依赖 GPU | 不需要，纯理论方法；数值实验使用常规科学计算环境即可 |
如果你只是想在工程上调用某个“张量 CT 工具箱”，这个报告不是那种内容。它的价值在于解释“为什么这样重建是合理的”“哪种分量不可能恢复”“有没有比逐点离散化更优雅的求逆办法”。这类结果最终可以指导你设计更稳的离散重建算法。
2. 从标量 CT 到张量层析：为什么常规重建思路会失效
经典二维 CT 中，未知量是一个标量函数 f(x)。设 x 是平面上的点，θ∈S¹ 是探测方向，一条沿方向 θ、到原点距离为 s 的直线可以写成 L(θ,s) = {x: x·θ = s}。测量得到的投影是：
p_f(θ,s) = ∫_{x·θ=s} f(x) dl(x)
这就是 Radon 变换。一组不同角度的投影，配合中心切片定理，可以在频域拼出 f 的完整频谱，然后执行逆 Fourier 变换恢复 f。从物理上讲，每个点的信息被多条不同方向的直线积分覆盖，角度方向的遍历足以补偿单条线积分造成的维度坍缩。
问题在于，当未知量从标量变成矢量场或者张量场时，线积分会变得更加粗暴。实际测量中，探测波并不直接感知矢量场的所有分量。例如在多普勒层析中，待测对象是运动介质的速度场 v(x)，而探测得到的是速度沿视线方向的投影，也就是 v(x)·θ 的线积分。如果测量几何只覆盖有限的观测角，速度场中“垂直于观测几何”的分量就很难被感知。数学上看到的现象是：投影算子存在非平凡核，无法仅靠一组纵向分量恢复完整矢量场。
再看更复杂的二阶张量场。在光弹性应力测量和某些地震学模型中，物质的性质不是标量，也不是矢量，而是一个对称张量场 σ(x)。射线穿过介质时，测量量和射线方向的二次型有关。一阶近似的测量结果可以写成：
g(θ,s) = ∫_{x·θ=s} θᵀ σ(x) θ dl(x)
注意积分里面已经变成了一个标量：张量 σ 在方向 θ 上的“纵向收缩”。这意味着我们用来恢复全场 σ 的数据，是从每个点不同方向的二次型采样得到的。要想反演出整个对称张量场，就需要多角度的射线覆盖，并且需要研究到底哪一个“张量分量组合”能从这些数据中恢复出来。
标量 CT 之所以简单，是因为每个点的未知量只有一个自由度。对称张量场的未知量在二维是 3 个独立分量，在三维是 6 个独立分量，而单条射线只输出了一个标量。因此，这类问题本质上是一个高度欠定的积分几何反问题。张量断层扫描的难点并不是“计算量多大”，而是“哪些东西能恢复、哪些东西本质上不可见”。
3. 关键建模：纵向变换与张量 Radon 变换
张量断层扫描中，最常用的变换是纵向射线变换（longitudinal ray transform）。为了把公式写清楚，下面用二维二阶对称张量场来展开。
设 σ(x) 是一个 2×2 对称矩阵值函数：
σ(x) = [[σ₁₁(x), σ₁₂(x)], [σ₁₂(x), σ₂₂(x)]]
对方向向量 θ = (cos φ, sin φ)，其纵向投影是：
Iσ(θ, s) = ∫_{x·θ=s} θᵀ σ(x) θ dl(x) = ∫_{x·θ=s} (σ₁₁ cos²φ + 2σ₁₂ sinφ cosφ + σ₂₂ sin²φ) dl(x)
可以看出，Iσ(θ,s) 并不是直接记录某个张量分量，而是把张量场的三个独立分量按角度系数组合起来，再做线积分。θ 变化时，组合系数也在变化。因此，如果获得了足够多的方向 θ 的纵向投影，理论上可以尝试恢复 σ。
问题在于：纵向射线变换的核空间不是空的。存在一类非零张量场，它们对纵向投影完全没有贡献。从物理上看，这类张量场本质上“藏在数据无法感知的方向组合中”。
要刻画这一点，需要引入张量场分解。任何一个定义在凸区域上的对称张量场，通常可以分解为“势场部分”和“鞍部/横向部分”。更常见的是把它拆成两部分，一部分可以表示为某个向量场 v 的对称导数：
[d_s v]_{ij}(x) = (∂ᵢ vⱼ + ∂ⱼ vᵢ)/2
如果 σ 具有这种形式，那么在很多标准域上，它的纵向射线变换可能是零，或者只依赖于边界条件。这就是所谓的不可见分量。
从反演角度说，对纵向射线变换求逆时，能够恢复的主要是“solenoidal 分量”或与其等价的横向结构，而“potential 分量”会和一个已知的边界条件“差一个梯度”被淹没。这个现象不是数值病态造成的，而是连续数学层面就存在的多解性。很多张量层析论文的核心工作，就是在给定边界值、或附加其他类型测量条件下，把可识别性恢复到最大。
David Omogbhe 的报告标题强调 Fourier method，本质上是在说：这类可见与不可见分量的判别，在频域中可以表达得更清楚、更机械化。
4. 傅里叶方法的核心：张量切片定理
在标量 CT 中，中心切片定理指出：对某固定角度 θ 的投影 p_f(θ,s) 做一维 Fourier 变换，得到的是 f 的二维 Fourier 变换在一条过原点的直线上的切片，即：
F_θ→η p_f(θ, s) = f̂(η θ)
其中 f̂ 是二维 Fourier 变换。所有角度的切片拼在一起，就能覆盖频域中所有非零频率点。
张量断层扫描中，需要推导类似的切片关系。以上面的纵向射线变换为例，我们对变量 s 做 Fourier 变换：
Iσ̂(θ, η) = ∫ e^{-i η s} Iσ(θ,s) ds
沿着直线 L(θ,s) 的参数化 x = sθ + tθ⊥，可以把积分拆成关于 x 的二维积分。利用 Fourier 变换的性质，得到的切片关系是：
Iσ̂(θ, η) = θᵀ σ̂(η θ) θ = σ̂(η θ) : (θ θᵀ)
这里 σ̂ 是 σ(x) 对空间变量的二维 Fourier 变换，符号 A:B 表示矩阵内积 tr(AᵀB)。这个式子非常关键：投影数据在频域中给出的不是 σ̂ 的任意分量，而是它沿方向 θ 的二次型。
换句话说，每条测量射线只提供频域中一个频率点上的一个二次型采样。如果我们固定一个频率点 ξ = ηθ，那么能观测到的量是：
q(θ) = θᵀ σ̂(ξ) θ
而 σ̂(ξ) 是一个对称矩阵。对称矩阵有 3 个独立分量；我们需要至少 3 个不同的 θ 值来解出这三个分量。这在连续测量中并不困难，因为角度 θ 是连续变化的。真正的问题是，频率点 ξ 和方向 θ 是绑定的。一个测量角 θ 只覆盖频率方向上与 θ 重合的那些频率点。
于是张量层析的频域重建，可以理解成这样一个流程：
- 采集多个角度 θ 下的纵向射线变换 Iσ(θ,s)；
- 对每个角度做一维 Fourier 变换，得到 Iσ̂(θ,η)：
- 利用切片关系式 Iσ̂(θ,η) = σ̂(ηθ) : (θθᵀ)，将数据分散映射到频率平面；
- 在每个频率点 ξ 上，根据覆盖该点的测量方向构造线性方程组；
- 求解频率空间中的组分，形成 σ̂(ξ)；
- 做逆 Fourier 变换，得到空间域重建 σ(x)。
这套思路就是“张量层析的 Fourier 方法”最常见的内核。它不是某个特定软件包，而是一族频域重建策略。从报告标题看，David Omogbhe 很可能在这个框架下给出了新的显式重建公式或新的分解方式。
5. 解耦与分解：可见分量和不可见分量的处理
如果只是把频域切片关系写出来，然后逐频率点做最小二乘，处理一般张量场还不够。因为前面已经提到，纵向射线变换存在核空间。这个不可见性在频域中如何体现？答案是：频域中存在某些张量结构，无论怎么组合测量方向 θ，它们都不会出现在观测数据 q(θ) = θᵀσ̂(θ)θ 中。
从线性代数角度看，如果 σ̂(ξ) 恰好具有形式 ξνᵀ + νξᵀ（或对称化梯度结构），那么 θᵀσ̂(ξ)θ 在满足 θ·ξ=0 时可能为零，或者说整体投影会给出非常有限的约束。这种结构对应空间域中的梯度/势场部分。由于纵向射线变换只记录“与射线方向平行的张量分量”，那些由势场产生的纯几何变形，往往会被积分过程抵消掉。
因此，频域方法中通常会有两步：
第一步是分解。把待求张量场在频域中分解成横场和纵场。对于对称张量场，可以构造一组和频率方向 ξ 相关的投影符号，使得：
σ̂(ξ) = σ̂_sol(ξ) + σ̂_pot(ξ)
其中 σ̂_sol 是横向部分，也是理论上可以被纵向数据唯一恢复的分量；σ̂_pot 是纵向部分，这部分在数据上不可见或只有低维约束。
第二步是滤波。既然不可见部分无法恢复，强行做最小二乘会产生退化。需要建立一个投影算子，直接把我们关心的横向分量从数据中解耦出来。从算法角度看，这一步在频域中做有天然优势：很多积分算子在频率方向上会变成代数运算。
在严格唯一性研究里，研究者通常还会讨论边界条件的作用。如果张量场在区域边界上已知，或者测量中加入了边界位移数据，那么原来不可见的纵向分量也可以被部分固定。另一种路径是改变测量类型，例如纵向变换之外再加入横向变换（transverse ray transform）数据。这样既覆盖纵向结构又覆盖横向结构，张量场可识别性会大幅改善。频域框架的优势在于，两种测量叠加时，反演公式可以用符号矩阵的形式统一表达。
6. 算法落地：从连续公式到离散数值实现
从频域连续公式到离散程序，中间隔着几个必须处理的技术点。这里给一个可行的实现路线，供复现报告或阅读相关代码时参考。
第一步：生成张量场的模拟数据。
假设区域是单位正方形，将空间离散为 N×N 网格。每个网格点放一个 2×2 对称矩阵 σ。为了做收敛性测试，最好选一个光滑且满足周期性边界条件的场，也可以取标准多项式场。
第二步：计算纵向射线变换。对给定角度 φ，射线穿过像素网格。常见实现是使用射线驱动或者像素驱动法。表达式可以简化为：
g[φ, s_idx] = Σ over pixels Σ_{i,j} σ_{ij}(pixel) θ_i θ_j · Δl
这里的 θ 由角度 φ 决定，Δl 是射线穿过该像素的长度。如果只是学习原理，可以使用双线性插值再叠加权重提高精度；如果做严格验证，建议改用解析投影，比如把张量场设置成已知 Fourier 基函数，这样投影可以直接算出来，避免“正向计算误差”对重建算法的污染。
第三步：对投影数据沿 s 轴做一维 FFT。计算得到 ĝ(φ, k)。
第四步：把频率空间的测量值分散到张量场的二维傅里叶域。每个实测频点 (u,v) 实际上是某个角度 φ 和径向频率 k 的产物，满足 (u,v) = k·(cos φ, sin φ)。在离散网格上，指数 (u,v) 不一定是整数格点，需要使用邻域插值或反距离加权。如果你希望严格一些，可以设置“极坐标频域重建”，把所有数据保留在极坐标中，只在最终反演时转换到直角坐标。
第五步：在每个频率网格点上，构建线性系统。因为 ξ 固定时，方向 φ 覆盖该频率点的各个方向。设 ξ = (u,v)，那么能够观测到的数据可以堆成向量：
m(ξ) = [θ₁ᵀσ̂(ξ)θ₁, θ₂ᵀσ̂(ξ)θ₂, ..., θ_Kᵀσ̂(ξ)θ_K]ᵀ
写成矩阵形式，把 σ̂ 的独立分量展开：
m(ξ) = A ξ_vec
其中 ξ_vec = [σ̂₁₁(ξ), σ̂₂₂(ξ), σ̂₁₂(ξ)]ᵀ，矩阵 A 的第 k 行是：
[(θ_k,1)², (θ_k,2)², 2(θ_k,1)(θ_k,2)]
这是一个非常小规模的 K×3 最小二乘问题，直接求解即可。
第六步：对全频域执行上述反演后，使用二维 IFFT 得到 σ(x) 的重建。
下面给一个简化的 Python 伪代码：
import numpy as np def forward_longitudinal_ray_transform(sigma, angles, offsets, dx): """ sigma: (N, N, 2, 2) 对称张量场 angles: 射线角度 offsets: 离散 s dx: 空间步长 返回投影数据 proj (len(angles), len(offsets)) """ # 实际需要实现射线与像素的交集长度 proj = np.zeros((len(angles), len(offsets))) for i, ang in enumerate(angles): theta = np.array([np.cos(ang), np.sin(ang)]) w = np.outer(theta, theta) # θ θᵀ for j, s in enumerate(offsets): # 沿直线 x·θ = s 采样张量场，再与 w 做内积并求和 line_pixels = sample_line(sigma, ang, s, dx) proj[i, j] = np.sum(line_pixels * w) return proj def reconstruct_fourier_tensor(proj, angles, offsets, N, dx): """ 频域张量 CT 重建骨架： 1) proj 沿 offset 做 1D FFT 2) 对每个空间频点构造线性系统 3) 最小二乘解出 σ̂ 三个独立分量 4) IFFT """ proj_hat = np.fft.fft(proj, axis=1) sigma_hat = np.zeros((N, N, 3), dtype=complex) # 对每个频点 (kx, ky) 执行代数反演 for kx in range(N): xi_x = 2.0 * np.pi * (kx - N // 2) / (N * dx) for ky in range(N): xi_y = 2.0 * np.pi * (ky - N // 2) / (N * dx) A_rows = [] b_vals = [] for i, ang in enumerate(angles): theta = np.array([np.cos(ang), np.sin(ang)]) freq_dir = np.dot(theta, np.array([xi_x, xi_y])) # 将proj_hat中的值映射到该频率点上 val = interpolate_proj_hat(proj_hat[i], freq_dir, dx) A_rows.append([theta[0]**2, theta[1]**2, 2*theta[0]*theta[1]]) b_vals.append(val) A = np.array(A_rows) b = np.array(b_vals) coef, _, _, _ = np.linalg.lstsq(A, b, rcond=None) sigma_hat[kx, ky] = coef sigma = np.fft.ifft2(sigma_hat, axes=(0, 1)).real return sigma这里需要特别提醒：上面这段代码只是帮助理解框架的骨架，比例因子、坐标归一化、频点索引方式都要根据实际实现调整。真正的工程版本可能需要引入极坐标到直角坐标的插值，或者采用非均匀 FFT（NUFFT）来提升精度。如果想了解报告的精确实现，需要等待作者公开代码、补充材料或直接阅读其发表论文。
7. 典型应用场景：哪些领域会用到张量断层
张量断层扫描不是纯理论玩具。凡是“沿路径积分的物理量是张量的投影”这类测量，都能套进上述建模框架。
第一个典型场景是光弹性断层扫描。透明材料在受到应力时会产生双折射，偏振光穿过样品后，相位延迟与沿光路方向上的应力张量投影有关。理想化模型中，探测器测量结果常常被表示为二阶对称张量场沿光路的积分。要重建材料内应力分布，就面临典型的张量层析反问题。频域方法可以直接处理完整角度测量下应力张量横向分量的重建，并将不可见的静水压或“梯度型”应力分量识别出来。
第二个典型场景是医学或工业多普勒层析。多普勒测量给出的是声速或流速在探测方向上的投影，例如等离子体温度场与速度场的重建。等离子体边界、温度分布、流动速度会共同影响多普勒频移，重建问题中包含标量场和矢量场的耦合。更高阶建模中，粘性应力张量也会进入方程。
第三个典型场景是地震学中的各向异性层析。地球介质中弹性波速度不仅依赖于空间位置，还依赖于传播方向。对各向异性介质的弱各向异性近似下，波速扰动可以表达到二阶张量（甚至四阶张量）的投影。利用地震台站收到的不同射线方向数据，可以尝试重建地壳中方位各向异性参数。这里的方向多样性和射线覆盖直接决定张量分量能否被恢复。
第四个场景是中子或 X 射线 Bragg 边缘断层扫描，用于测量晶体材料内部的残余应力分布。测量结果与晶格间距在测量方向上的投影有关，本质上是在反演一个应变张量场。应变张量场的对称性使得它非常适合用张量层析方法处理。Bragg 边缘成像获取的是衍射信息在特定方向上的分量，频域重建的优势在于能把不同方向测量整合到一个统一框架中，并给出可识别性判断。
第五个场景是流场测量。某些光学或声学测量中，激光穿过流体时累积的相位与速度场、剪切应力场相关。如果只是二维流速矢量场，用向量层析即可完成；但如果要研究湍流中的应力结构，就可能上升到张量场重建。这类应用的一个共同特点是数据量巨大、射线覆盖不一定完整，所以“哪些频域分量需要被丢弃或做先验约束”比单纯做一次漂亮的反演更重要。
8. 复现验证思路与实验设计
如果你想把报告中的频域方法用代码验证一遍，不一定要复刻全部理论，可以按以下步骤设计一个最小化验证项目。
先做标量 CT 基线的复现。在 N=128 或 256 网格上生成 Shepp-Logan 或者光滑高斯团图，实现标准 Radon 变换和中心切片重建。这一步的作用是检查你的坐标系、频域索引、角度采样是否可靠。
再做矢量场层析，最后做二阶对称张量场测试。建议生成张量场时选择解析可投影的形式，例如：
σ(x) = a(x) e_r e_rᵀ + b(x) e_φ e_φᵀ
其中 e_r 和 e_φ 是极坐标基向量。对这种场计算纵向投影时可以先做坐标变化再求线积分，避免像素误差影响精度。求出投影数据后，利用上面的频域反演骨架做重建，并记录以下指标：
- 角方向覆盖数：从 16 到 180 个角度递增；
- 每个方向上的采样数：即 s 方向离散点数；
- 频率域覆盖密度：观察频域中被投影覆盖的格点比例；
- 重建 MSE 和结构相似度；
- 不同分量的误差分离：单独看 σ₁₁、σ₂₂、σ₁₂ 各自误差。
理想情况下会发现：当角度采样足够密、频域覆盖完整个圆盘时，横向分量的重建误差会随网格加密而下降；而如果人为加入一个梯度型张量场，重建结果会把该分量“滤除”或只留下边界影响。这一现象是很好的验证标准。如果代码里把梯度场加进去后，重建误差变得很大，那通常说明你的反演方程没有把不可见空间排除在外，或者你的投影计算存在问题。
在实验设计上，建议刻意构造一个纯“势能型”张量场作为 adversarial test。因为理论预言它应该不可见，如果算法输出非零的势能分量，说明正问题或反问题实现里有缺陷。这个反向测试是检查实现是否正确的高效手段。
9. 常见问题：反演中的疑难与排查方向
| 问题现象 | 可能原因 | 排查思路 | 解决方向 |
|---|---|---|---|
| 重建图像出现强方向性条纹 | 测量角度覆盖不完整，频域中存在明显无数据区域 | 画出频域采样覆盖图 | 增加角度数或采用稀疏正则化 |
| 频域反演出现高频噪声放大 | 高频格点覆盖数据太少，最小二乘条件数变差 | 求各频率点矩阵 A 的条件数 | 做带限滤波或 Tikhonov 正则化 |
| 给入纯梯度张量场仍能重建出非零结果 | 反演方程没有投影到可识别子空间 | 检查分解投影算子 | 先对数据分量做核空间投影剔除 |
| 重建结果整体带有缓慢漂移 | 不可见的纵向分量未给定边界条件 | 检查是否缺少约束项 | 引入额外边界测量或施加散度约束 |
| 正问题误差大，收敛率差 | 射线与像素积分近似精度不足 | 做高阶网格收敛性测试 | 改用解析投影或提升采样率 |
| 频域插值导致结果边缘模糊 | 极坐标频域数据转直角坐标时插值核过宽 | 比较不同核函数 | 使用 NUFFT 或最近邻分段处理 |
| 重建只对非常光滑的场有效 | 程序对高频分量丢失太多 | 检查角向极坐标网格密度 | 增加到频域圆盘边缘的采样密度 |
对于张量层析，最难的问题通常是“判断误差来自反演病态性还是来自数据不足”，而不是工程实现。所以排查任何异常时，先回到频域覆盖图，再看单频点方程条件数，是最有效的定位路径。
10. 值得关注的延伸与学习路径
如果你对这个报告感兴趣，建议按下面顺序补背景知识。
第一是 Radon 变换和中心切片定理的标准教程。需要做到能自己推出标量 CT 的 FBP 公式，理解斜坡滤波的来源。没有这一层，后面张量切片定理的推导会显得突兀。
第二是张量场算子的谱分解。熟悉对称张量场如何分解成横向和纵向部分，理解纵向射束变换的核空间如何随维度变化。二维和三维的结论差异很大，不要直接类比。
第三是继续阅读张量层析领域经典文献。学术界这一方向的经典工作包括对射束变换、纵向变换、横向变换的完整刻画。阅读这些论文的符号体系，比东拼西凑看博客要有效得多。
第四是如果不是纯理论路线，而是想快速应用，建议选择一个具体场景，比如光弹性应力测量。在这个场景里把二维对称张量场重建做成程序，处理真实或半模拟数据，之后再向三维和高阶张量扩展。原因是三维二阶张量场有 6 个独立分量，数据和测量角度的覆盖要求会比二维复杂很多，初学者直接上三维容易迷失。
第五是关注报告人 David Omogbhe 后续公开的论文和代码。和纯理论报告配套的，通常会有更完整的积分公式推导、收敛性证明以及针对合成数据的数值实验。从会议公开材料中无法看到代码时，去找通讯作者版本或 preprint 是合理的路径。
11. 一个比较直接的判断
如果要用一段话总结这个报告方向的技术价值，我认为可以这样说：张量断层扫描的困难并不是“不知道怎么算”，而是“不知道什么东西本来就算不出来”。傅里叶方法提供了一个极其清晰的角度——它把张量场的不可见性直接变成了频域中某个方向上的退化问题，让研究者可以逐频率点地判断哪些信息能恢复、哪些信息需要额外假设。
对正在做 CT、地震波成像、应力测量或多普勒层析的工程师来说，这个方向值得收藏。它的推导虽然抽象，但最终落到代码上时并不复杂：一次线积分数据、一组方向角、一个逐频率点的最小二乘，再加一次逆傅里叶变换。核心始终是那条张量切片关系——数据在频域里究竟拍到的是哪种分量。弄懂这一点，比背十个重建公式都更有用。
如果你想最小化验证今天的内容，可以先在二维单位圆盘上生成一个光滑对称张量场，自己写纵向射线变换，再写本文的频域重建骨架，最后输入一个纯梯度张量场测试不可见性。跑通这三件事，你就已经跨过张量层析最关键的数学门槛了。
