DI-GAN：基于深度学习的动态形变多模光纤透反射光控制
1 论文核心概念
本文提出了一种名为 DI-GAN（Deep Imaging Generative Adversarial Network） 的持续深度学习框架，用于动态形变多模光纤（MMF） 的光场控制。该框架能够同时利用透射和反射信息，实现对光纤末端光场的实时自适应聚焦，解决了传统方法在动态形变下适应性差、响应慢、易遗忘先前状态等问题。
怎么解决适应性差的问题
DI-GAN通过构建一个融合持续学习与多模态感知的闭环系统来解决适应性差的问题。注意输入端以及多模态键值对
怎么解决反应慢的问题
DI-GAN通过极致化的推理架构设计解决响应慢的问题：在训练阶段完成所有复杂学习后，推理时仅保留计算量最小的编码器（一个精心设计的轻量级CNN），该网络通过使用更少的层数、通道数及高效算子（如深度可分离卷积），大幅减少参数量和浮点运算，使其单次前向传播可在毫秒内完成，从而实现对光纤动态形变的实时高速响应。
怎么解决易遗忘的问题
采用数据回放策略，在学习新形变状态时，从存储缓冲区中混合部分旧状态数据一起训练，同时引入弹性权重巩固（EWC） 算法，计算参数重要性并约束重要参数的更新幅度，从而在整合新知识的同时牢固保持对已学习旧状态的记忆能力，实现动态环境下的稳定性能。
)
