周报：2026-03-17 ~ 2026-03-23

一、本周工作概述

本周主要完成了 V4 联合空间-强度变换模型的实验验证，同时启动了 VoxelMorph v3 和 SVF Flow Matching 的训练实验。

二、已完成实验

1. V4 实验（联合空间-强度变换模型 - 解耦监督框架）

核心创新：将空间变换和强度变换的监督信号分离，使用加法强度变换替代 V3 的乘法变换。

架构：

source ──┬──> [空间变换网络] ──> spatial_transformed ──> NCC(target)  [结构对齐]
         │
         └──> [强度变换网络] ──> intensity_offset ──┐
                                                    │
                         transformed = spatial + intensity_offset ──> MSE(target)  [亮度对齐]

关键改进：

使用加法变换 intensity_offset = t * v_intensity，数值更稳定
NCC 只监督空间变换输出，MSE 只监督最终输出（解耦监督）
修正了测试脚本中的错误归一化处理

实验结果（189 测试样本，修正后）：

模型	PSNR (dB)	SSIM	NCC	MAE	MSE
v4_add_1 (λ=1)	33.63 ± 2.59	0.6685 ± 0.0683	0.9928 ± 0.0044	0.0222 ± 0.0030	0.0013 ± 0.0005
v4_add_10 (λ=10)	34.30 ± 2.78	0.9168 ± 0.0266	0.9923 ± 0.0058	0.0134 ± 0.0027	0.0011 ± 0.0007
v4_add_30 (λ=30)	36.67 ± 3.00	0.9524 ± 0.0147	0.9955 ± 0.0036	0.0102 ± 0.0024	0.0007 ± 0.0004

关键发现：

Lambda 越大，所有指标都越好，推荐 λ=30
修正测试方法后，性能比原测试高约 15 dB

模型保存位置：/mnt/nfsdata/nfsdata/wanghaifeng/Pre_trained/sandy/joint_flow_v4_add_*/

2. V3 实验（乘法强度变换版本）

结论：验证了乘法变换存在数值爆炸问题，已被 V4 的加法变换方案取代。

三、正在训练的实验

1. SVF Flow Matching（Stationary Velocity Field Flow Matching）

训练配置：

模型：SVF 积分器 + UNet 速度场预测
数据：婴幼儿脑部 MRI（策略3预处理），1021 训练样本
图像尺寸：(160, 192, 160)
Max Epochs：150

当前进度：

训练到 Epoch 127 / 150
当前 loss：0.0389
已保存 checkpoint：epoch_49.pt, epoch_99.pt, latest_model.pt

最新训练日志：

Epoch 123: loss=0.0408
Epoch 124: loss=0.0401
Epoch 125: loss=0.0402
Epoch 126: loss=0.0419
Epoch 127: loss=0.0389

模型保存位置：/mnt/nfsdata/nfsdata/wanghaifeng/Pre_trained/sandy/svf_flow_matching/

2. VoxelMorph v3（多配置对比实验）

训练配置：

Max Epochs：150
Batch Size：1
Learning Rate：1e-4
图像尺寸：(160, 192, 160)

当前运行的配置：

配置	λ_smooth	λ_mse	状态
global_ncc_mse	0.01	0.1	已保存 latest_model.pth
local_ncc	0.01	-	已保存 latest_model.pth
local_ncc_mse	0.01	0.1	已保存 latest_model.pth，训练中（断点续训）
mse_only	0.01	1.0	训练中

模型保存位置：/mnt/nfsdata/nfsdata/wanghaifeng/Pre_trained/sandy/voxelmorph_*/

四、下周计划

完成 SVF Flow Matching 训练：预计还需 ~23 epochs
完成 VoxelMorph v3 多配置训练：对比不同损失函数组合的效果
测试对比：对训练完成的模型进行全面评估
V5 改进方向：
- 探索更大的 lambda 值（如 50、100）
- 尝试多尺度监督
- 引入自适应 lambda 调度