DeepLens 理解优先复现路线 · 执行笔记
承接上篇：《DeepLens 论文精读 · 复现笔记》（完整复现口径，P0–P4 + L1–L3 成本账）
定位转变：目的是深入理解论文，不是复刻论文数字——预训练类环节一律跳过
关键资产：仓库自带镜头 JSON（零训练）、Zenodo checkpoint（EDoF 网络）、早期训练动力学
整理日期：2026-10-06
目录
- 摘要
- 一、定位：理解优先，不是模仿复刻
- 二、现成资产盘点：哪些"权重"可以直接用
- 三、E1–E4 实验设计：每个实验回答一个具体问题
- E1 评价体系（免费，半天）
- E2 课程动力学（约 ¥2–5）
- E3 微型消融（约 ¥5–10）
- E4 端到端梯度流（约 ¥3–5）
- 四、预算与排期
- 五、与上篇路线的关系
- 六、结论
- 附录 A：执行清单
- 附录 B：关键资产路径速查
摘要
以理解为导向重构 DeepLens 复现方案：跳过 NAFNet 从零训练与收敛级长时程优化，直接采用仓库镜头 JSON 与 Zenodo checkpoint，将算力集中于课程切换动力学、微型消融与端到端梯度流四个实验，总预算约 10–20 元，一天半完成。
一、定位：理解优先，不是模仿复刻
完整复现的大头成本烧在"跑到收敛"上，而论文里最有信息量的现象在训练早期就分化了。预训练类环节（标准重建网络从零训练、20 种子统计、长时程优化到论文数字）属于"没意义的重复"——它们服务于投稿，不服务于理解。
由此得出裁剪原则：
- 复刻 15.74 μm 不产生理解，趋势对了就行；
- 统计稳健性是投稿需求，砍到 1–2 种子；
- 但三机制的早期动力学、课程切换行为、端到端梯度流必须亲手跑——论文核心思想全在这里，无法通过读代码或加载权重获得。
二、现成资产盘点：哪些"权重"可以直接用
光学设计的"权重"就是镜头参数 JSON 本身，另有 EDoF 重建网络 checkpoint：
| 资产 | 位置 | 用途 |
|---|---|---|
| 手机镜头 JSON | datasets/lenses/cellphone/cellphone80deg.json、cellphone68deg.json | 大概率为论文设计产出，直接加载分析 |
| 真实镜头专利结构 | datasets/lenses/camera/（EF/RF/适马/永诺等 11 个） | 对比基准 |
| Cooke triplet | datasets/lenses/cooke.json（含劣化版cooke40_inferior.json） | 经典结构教学案例 |
| 初始结构模板 | 3P_blank.json | 课程设计的近平板起点 |
| EDoF checkpoint + 测试集 | Zenodo record 8358592（4.5 GB zip） | NAFNet 权重，免训练直接评估 |
| 神经网络权重 | doe/doe_psf1.pth | 衍射元件 PSF |
| 传感器参数 | datasets/sensors/（Canon/FLIR） | 配合镜头做图像仿真 |
| 材料库 | deeplens/material/*.json | 玻璃折射率选型 |
三、E1–E4 实验设计：每个实验回答一个具体问题
E1 评价体系（免费，半天）
加载cellphone80deg.json，跑 spot diagram / PSF / MTF / 畸变分析，配合传感器 JSON 做一次图像仿真。
回答：光学设计到底在优化什么？顺带熟悉 DeepLens API，为后续实验铺路。
E2 课程动力学（约 ¥2–5）
完整课程设计跑起来但不用跑完——重点盯每次规格切换（FoV/F# 收紧）前后 100 iter 的损失曲线和镜头剖面变化。
回答：从 47.5° 到 80.8°，结构是怎么"长"出来的？对应论文 Fig.1 演化图，课程切换时刻的行为是"由易到难为什么有效"的唯一第一手证据。
E3 微型消融（约 ¥5–10）
三开关（课程 / 正则 / 掩码）各跑 2000 iter × 1 种子。摘掉正则的 run 在几百 iter 内就会自交——论文 Table 1 的"100% vs 0% 无自交比例"结论，早期就能亲眼看到。
回答：三大机制各自挡住了哪种病态？不需要 5000 iter 收敛，病态结构的出现远早于收敛。
E4 端到端梯度流（约 ¥3–5）
Checkpoint 加载 NAFNet → 推理复现论文 PSNR 量级（验证管线）→ 只放开光学参数做几百 iter 联合微调，观察混合面奇次多项式系数变化如何同步改变 PSF 与重建损失。
回答："梯度穿过光学器件"到底意味着什么？这是 deep optics 范式的命门，也是与"模块缝合"方法论最直接的连接点。
四、预算与排期
| 实验 | 费用 | 耗时 | 产出 |
|---|---|---|---|
| E1 评价体系 | ¥0 | 半天 | 全套分析图 + 仿真图 |
| E2 课程动力学 | ¥2–5 | 半天 | 课程切换演化图（笔记核心素材） |
| E3 微型消融 | ¥5–10 | 半天 | 早期自交对比图 |
| E4 端到端梯度流 | ¥3–5 | 半天 | 梯度流行为记录 |
| 合计 | ¥10–20 | 约 1.5 天 | — |
比完整复现方案（¥700–2800）省一个数量级。省钱要点沿用上篇：无卡模式调环境、3090 开训、checkpoint 续跑、跑完关机。
五、与上篇路线的关系
上篇 P0–P4 / L1–L3 是"完整复现"口径，保留作参考基准（万一后续要发文章或做严谨对比）；实际执行以本篇 E1–E4 为主。映射关系：
- E1 ≈ P0（环境复检 + 评价体系熟悉）；
- E2 ≈ P1 的短程版（不看终态看过程）；
- E3 ≈ P2 的缩水版（种子 20→1，迭代 5000→2000）；
- E4 ≈ P3 的免训练版（checkpoint 代替联合训练，只看梯度流）；
- P4（延伸选题）不变，ray-wave 分支仍是首选衔接方向。
六、结论
理解型复现的最优策略是把算力花在动力学上，把结论留在自己脑子里：预训练环节用现成资产替代，收敛环节用早期趋势替代，统计环节用单种子对比替代。四个实验全部围绕"论文的每个主张是否见过第一手证据"设计——这才是读透一篇 Nature Communications 的正确姿势。
附录 A：执行清单
- E1：加载 cellphone80deg.json，输出 spot/PSF/MTF/畸变四图
- E1：加载传感器 JSON 做一次图像仿真
- E2：记录每次课程切换前后 100 iter 的损失与剖面
- E3：三开关消融各 2000 iter，截图自交时刻
- E4：下载 Zenodo 8358592，加载 NAFNet checkpoint 复现 PSNR 量级
- E4：放开光学参数 500 iter，记录混合面系数与 PSF 的联动
- 全程固定种子，每次实验前记录 commit hash
附录 B：关键资产路径速查
datasets/lenses/cellphone/cellphone80deg.json # 论文级手机镜头 datasets/lenses/cellphone/3P_blank.json # 课程设计初始模板 datasets/lenses/cooke.json # 经典 triplet datasets/sensors/canon/canon_r6.json # 传感器参数 deeplens/material/materials_data.json # 玻璃材料库 Zenodo 8358592 # EDoF checkpoint + 测试集（4.5 GB） AI4Optics/AutoLens # 自动设计活跃维护仓库
)
