基于光子预算条件化体积状态空间模型的有限光子模拟高保真蒙特卡洛重建

基于摘要分析。该研究针对三维皮肤病灶蒙特卡洛（MC）模拟中高保真结果所需采样成本较高的问题，将光子预算显式作为学习式重建的条件变量，使单个体积模型适配八种采样预算，同时保留 MC 作为前向求解器。 机制上，模型通过光子预算仿射调制，协调方向性空间门控与 Fourier 域 Mamba-3 处理，用于有限光子模拟结果的重建，而非替代物理前向求解。摘要提及容量匹配对照，但具体网络结构、训练目标、预算编码及数据划分尚未验证。 作者报告，在三维皮肤病灶基准上，相较宏平均表现最强的基线，平均 PSNR 提高 4.82 dB，按配置配对的 95% 区间为 [4.57, 5.07] dB；收益还延伸至逆变换后的场汇总指标和已测试的留出物理条件。作者报告，以匹配参考结果评估时，由 10³ 个光子输入重建的结果在平均 PSNR、SSIM 和 RMSE 上优于原始 10⁶ 光子 MC，输入光子数减少 1000 倍；这不等同于直接证明总运行时间减少相同比例。 计时方面，作者报告，10⁶ 光子 MC 加模型推理相对直接 10⁸ 光子 MC，在同 GPU 条件下加速 8.09 倍；以独立 10⁹ 光子模拟为参考，两者平均 PSNR 相差 0.67 dB。另一个 CPU-MC/GPU 推理流程在相同光子预算对比下约加速 106 倍，两种硬件流程的加速比不宜混用。 当前证据支持的是科学模拟中的体积场重建，而非 EEG 解码或 BCI 算法。光子预算是该方法明确依赖的条件信息；摘要未建立其与神经信号采样质量的具体对应关系，因此不据此提出 EEG 迁移实验。基准规模、参考结果构建方式、物理条件留出规则、消融、统计细节及代码可用性均尚未验证。