训练方法、磁场重构方法、电子设备及存储介质.pdf

《训练方法、磁场重构方法、电子设备及存储介质.pdf》由会员分享，可在线阅读，更多相关《训练方法、磁场重构方法、电子设备及存储介质.pdf（16页完成版）》请在专利查询网上搜索。

1、(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202111374657.0(22)申请日 2021.11.19(71)申请人 中国科学技术大学地址 230026 安徽省合肥市包河区金寨路96号(72)发明人 李万和陈三友石发展杜江峰(74)专利代理机构 中科专利商标代理有限责任公司 11021专利代理师 张博(51)Int.Cl.G06N 3/0475(2023.01)G06N 3/047(2023.01)G06N 3/08(2023.01)G06T 11/20(2006.01)G01R 33/12(2006.01)(54)发明名称训练方法、。

2、磁场重构方法、电子设备及存储介质(57)摘要本公开提供了一种基于条件生成对抗网络的磁场重构模型的训练方法、磁场重构方法、电子设备、计算机可读存储介质和计算机程序产品。该训练方法包括，获取真实磁矩数据；根据所述真实磁矩数据，获得与所述真实磁矩数据对应的磁场数据；根据所述磁场数据和所述真实磁矩数据，获取训练样本集；利用所述训练样本集对待训练的磁场重构模型进行训练，得到训练后的磁场重构模型；以及其中，所述利用所述训练样本集对待训练的磁场重构模型进行训练包括：将所述磁场数据输入条件生成对抗网络的生成器，以使所述生成器生成模拟磁矩数据，将所述真实磁矩数据和所述模拟磁矩数据输入条件生成对抗网络的判别器，以。

3、使所述判别器判别所述模拟磁矩数据的真伪。权利要求书2页 说明书10页 附图3页CN 116151330 A2023.05.23CN 116151330 A1.一种基于条件生成对抗网络的磁场重构模型的训练方法，包括：获取真实磁矩数据；根据所述真实磁矩数据，获得与所述真实磁矩数据对应的磁场数据；根据所述磁场数据和所述真实磁矩数据，获取训练样本集；利用所述训练样本集对待训练的磁场重构模型进行训练，得到训练后的磁场重构模型；以及其中，所述利用所述训练样本集对待训练的磁场重构模型进行训练包括：将所述磁场数据输入条件生成对抗网络的生成器，以使所述生成器生成模拟磁矩数据，将所述真实磁矩数据和所述模拟磁矩数据。

4、输入条件生成对抗网络的判别器，以使所述判别器判别所述模拟磁矩数据的真伪。2.根据权利要求1所述的方法，其中，所述获取真实磁矩数据包括：获取原始数据；对所述原始数据进行预处理，得到真实磁矩数据。3.根据权利要求1所述的方法，其中，所述根据所述真实磁矩数据获得与所述真实磁矩数据对应的磁场数据包括：根据探测方法的物理原理，结合探测器自身信息，获取探测磁场数据；对所述探测磁场数据进行拟合，结合隐含参数，得到与所述真实磁矩数据对应的磁场数据。4.根据权利要求3所述的方法，其中，所述隐含参数的数值满足预设参数范围，所述预设参数范围为探测过程中待测样品与探测器的位置范围。5.根据权利要求1所述的方法，其中，。

5、所述利用所述训练样本集对待训练的磁场重构模型进行训练，得到训练后的磁场重构模型包括：将所述训练样本集进行数据转化，得到RGB格式的训练样本集，其中所述RGB格式的训练样本集包括RGB格式的真实磁矩数据和RGB格式的磁场数据；利用所述RGB格式的训练集训练所述待训练的磁场重构模型，得到磁场重构模型。6.根据权利要求1所述的方法，其中，所述磁场重构模型的损失函数包括第一损失函数和第二损失函数，所述第一损失函数为所述条件生成对抗网络的损失函数，所述第二损失函数为所述条件生成对抗网络的特征提取的损失函数，所述特征提取的损失函数是通过对第一概率和第二概率取范数得到的；以及其中，所述第一概率为判别器的每层。

6、特征提取器判别输入的真实磁矩数据是真实磁矩数据的概率，所述第二概率是所述特征提取器判别输入的模拟磁矩数据是真实磁矩数据的概率。7.一种基于条件生成对抗网络的磁场重构方法，包括：获取待测磁场数据；将所述待测磁场数据输入至所述磁场重构模型，输出重构的磁矩数据，其中，所述磁场重构模型由权利要求16任一项所述的磁场重构模型的训练方法训练得到。8.一种电子设备，包括：一个或多个处理器；权利要求书1/2 页2CN 116151330 A2存储器，用于存储一个或多个指令，其中，当所述一个或多个指令被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至7中任一项所述的方法。9.一种计算机可读存。

7、储介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现权利要求1至7中任一项所述的方法。10.一种计算机程序产品，所述计算机程序产品包括计算机可执行指令，所述指令在被执行时用于实现权利要求1至7中任一项所述的方法。权利要求书2/2 页3CN 116151330 A3训练方法、磁场重构方法、电子设备及存储介质技术领域0001本公开涉及磁学领域，尤其涉及磁场重构领域，特别是涉及一种训练方法、磁场重构方法、电子设备及存储介质。背景技术0002静磁场是一种重要的物理量，可应用于地质学、地球科学、脑科学和材料科学等领域。目前，高灵敏度的磁场探测方法包括超导量子干涉仪、基于氮空位缺陷色心的磁场探测。

8、方法、原子气磁力计、巨磁阻抗传感器等。通过高灵敏的磁场探测方法可以探测到非常微弱的磁场信号，分析待测样品的磁学性质。由于磁场不能完全反映样品磁矩在空间上的分布信息，所以，有效的磁场重构也是磁学领域一个重要的研究方向。0003磁场重构方法包括分为实空间方法和傅里叶空间方法。实空间方法直接依赖磁矩和磁场在实空间的对应关系，通过将积分关系离散化并处理成线性方程，再利用有效的最小二乘法算法数值求解。实空间方法可以重构出有效的磁矩分布，但求解的维度为N2，导致硬件资源和时间消耗随重构区域的增大而急剧增加。傅里叶空间方法对磁矩和磁场的对应关系做傅里叶变换，得到傅里叶空间中磁场和磁矩的关系，再结合正则化方法。

9、重构出与磁场对应的磁矩分布。傅里叶空间方法效率高，但是只能求解部分问题，且正则化会丢失信息。实空间方法和傅里叶空间方法都是理想化求解方法，在实际应用中无法结合探测器本身的信息，导致磁场重构的过程出现不可避免的误差。同时，上述方法求解时也需要知道待测样品与探测器之间的距离等先验信息，不能适用于所有磁场探测方法。发明内容0004有鉴于此，本公开的主要目的在于提供一种基于条件生成对抗网络的磁场重构模型的训练方法、磁场重构方法、电子设备、计算机可读存储介质和计算机程序产品，以期至少部分地解决上述提及的技术问题中的至少之一。0005为了实现上述目的，作为本公开的一个方面的实施例，提供了一种基于条件生成对。

10、抗网络的磁场重构模型的训练方法，包括：获取真实磁矩数据；根据真实磁矩数据，获得与真实磁矩数据对应的磁场数据；根据磁场数据和真实磁矩数据，获取训练样本集；利用训练样本集对待训练的磁场重构模型进行训练，得到训练后的磁场重构模型；以及，其中，利用训练样本集对待训练的磁场重构模型进行训练包括：将磁场数据输入条件生成对抗网络的生成器，以使生成器生成模拟磁矩数据，将真实磁矩数据和模拟磁矩数据输入条件生成对抗网络的判别器，以使判别器判别模拟磁矩数据的真伪。0006根据本公开的实施例，其中，获取真实磁矩数据包括：获取原始数据；对原始数据进行预处理，得到真实磁矩数据。0007根据本公开的实施例，其中，根据真实磁。

11、矩数据获得与真实磁矩数据对应的磁场数据包括：根据探测方法的物理原理，结合探测器自身信息，获取探测磁场数据；对所述探测磁场数据进行拟合，结合隐含参数，得到与所述真实磁矩数据对应的磁场数据。说明书1/10 页4CN 116151330 A40008根据本公开的实施例，其中，隐含参数的数值满足预设参数范围，预设参数范围为探测过程中待测样品与探测器的位置范围。0009根据本公开的实施例，其中，利用训练样本集对待训练的磁场重构模型进行训练，得到训练后的磁场重构模型包括：将训练样本集进行数据转化，得到RGB格式的训练样本集，其中RGB格式的训练样本集包括RGB格式的真实磁矩数据和RGB格式的磁场数据；利用。

12、RGB格式的训练集训练待训练的磁场重构模型，得到磁场重构模型。0010根据本公开的实施例，其中，磁场重构模型的损失函数包括第一损失函数和第二损失函数，第一损失函数为条件生成对抗网络的损失函数，第二损失函数为条件生成对抗网络的特征提取的损失函数，特征提取的损失函数是通过对第一概率和第二概率取范数得到的；以及，其中，第一概率为判别器的每层特征提取器输入的真实磁矩数据是真实磁矩数据的概率，第二概率是特征提取器判别输入的模拟磁矩数据是真实磁矩数据的概率。0011作为本公开的另一个方面的实施例，还提供了一种基于条件生成对抗网络的磁场重构方法，包括：获取待测磁场数据；将待测磁场数据输入至磁场重构模型，输出。

13、重构的磁矩数据，其中，磁场重构模型由根据本公开实施例的磁场重构模型的训练方法训练得到。0012作为本公开的另一个方面的实施例，还提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个指令，其中，当一个或多个指令被一个或多个处理器执行时，使得一个或多个处理器实现根据本公开实施例的方法。0013作为本公开的另一个方面的实施例，还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现根据本公开实施例的方法。0014作为本公开的另一个方面的实施例，还提供了一种计算机程序产品，计算机程序产品包括计算机可执行指令，指令在被执行时用于实现根据本公开实施例的方法。。

14、0015根据本公开的上述实施例提供的基于条件生成对抗网络的磁场重构模型的训练方法、磁场重构方法，能够训练得到磁场重构模型。磁场重构方法通过将待测磁场数据输入上述磁场重构模型，能够得到重构的磁矩数据。本公开提出的基于条件生成对抗网络的磁场重构方法，能够将图像生成的技术用于磁场重构的过程，利用神经网络学习到磁场到磁矩的映射关系，基于端到端的方式，实现包括测量过程中的各种物理因素，如传感器的尺寸、信号的扩散、信号源与传感器的距离等的磁场重构。此外，本公开提出的磁场重构方法还能够对不同尺度的磁图像进行磁场重构，包括从微米尺度的微观磁成像如组织磁成像，到超大尺度的宏观成像如宇宙磁图像。附图说明0016为。

15、了更完整地理解本公开及其优势，现在将参考结合附图的以下描述，其中：0017图1示意性示出了根据本公开实施例的磁场重构模型的训练方法的流程图；0018图2示意性示出了图1所示的获取真实磁矩数据的流程图；0019图3示意性示出了图1所示的获得与真实磁矩数据对应的磁场数据的方法示意图；0020图4示意性的示出了磁场重构结果和训练样本集的对比图；0021图5示意性的示出了磁场重构模型的隐含参数训练效果图；0022图6示意性的示出了依据磁场重构模型获得磁场重构结果的流程图；0023图7示意性示出了根据本公开实施例的适于实现上文描述的磁场重构方法的电子说明书2/10 页5CN 116151330 A5设备。

16、的框图。具体实施方式0024为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。0025但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本申请的概念。0026根据本公开的一个方面的总体上的构思，提供了一种基于条件生成对抗网络的磁场重构模型的训练方法，包括：获取真实磁矩数据；根据真实磁矩数据，获得与真实磁矩数据对应的磁场数据；根据磁场数据和真实磁矩数据，获取训练样本集；利用训练样本集对待训练的磁场重构模型进行训练，得到训练后的磁场重构模型；以及，其中，利用训练样。

17、本集对待训练的磁场重构模型进行训练包括：将磁场数据输入条件生成对抗网络的生成器，以使生成器生成模拟磁矩数据，将真实磁矩数据和模拟磁矩数据输入条件生成对抗网络的判别器，以使判别器判别模拟磁矩数据的真伪。0027本公开实施例的核心发明思想在于利用条件生成对抗网络学习磁矩到磁场的映射关系，将图像生成的技术用于磁场重构的过程，实现基于端到端的磁场重构；并且磁场到磁矩的重构过程还包含真实测量过程的影响，兼顾测量方法和测量器械的信息，实现真实可信的磁场重构。0028图1示意性示出了根据本公开实施例的磁场重构模型的训练方法的流程图。如图1所示，该方法包括操作S101S104。0029在操作S101，获取真实。

18、磁矩数据。0030根据本公开的实施例，获取真实磁矩数据包括直接获取现有的真实磁矩数据，其中，现有的真实磁矩数据可以包括通过实验获得的真实磁矩数据和通过计算机仿真构造的真实磁矩数据。0031在操作S102，根据真实磁矩数据，获得与真实磁矩数据对应的磁场数据。0032根据本公开的实施例，由于磁矩是磁场产生的“源”，所以磁矩到磁场具有一对一的映射关系，根据磁矩到磁场的映射关系，可以得到与磁矩数据对应的磁场数据。0033在操作S103，根据磁场数据和真实磁矩数据，获取训练样本集。0034根据本公开的实施例，获得的磁场数据是与真实磁矩数据对应的数据，因此，真实磁矩数据和与真实磁矩数据对应的磁场数据可以作。

19、为一个数据对，多个数据对构成训练样本集，根据训练样本集可以对条件生成对抗网络进行训练。0035在操作S104，利用训练样本集对待训练的磁场重构模型进行训练，得到训练后的磁场重构模型。0036根据本公开的实施例，磁场重构模型是基于条件生成对抗网络形成的。条件生成对抗网络包括生成器和判别器，利用训练样本集对生成器和判别器分别进行训练。将磁场数据输入条件生成对抗网络的生成器，训练生成器生成模拟磁矩数据。生成器能够以输入的磁场数据为条件，加入噪声影响后生成模拟磁矩数据；将真实磁矩数据和生成器生成的模拟磁矩数据输入判别器，训练判别器判别输入的真实磁矩数据和模拟磁矩数据的真伪，使得判别器能够判别输入的模拟。

20、磁矩数据的真伪。说明书3/10 页6CN 116151330 A60037根据本公开的实施例，获取真实磁矩数据还包括获取原始数据，对原始数据进行预处理，得到真实磁矩数据。0038图2示意性示出了图1所示的获取真实磁矩数据的流程图。如图2所示，该方法包括操作S201S202。0039在操作S201，获取原始数据。0040根据本公开的实施例，原始数据可以包括通过实验获得的数据和通过计算机仿真构造的数据。例如，选取442幅自然随机分布的荧光图像，该荧光图像能够表征真实的磁矩分布。0041在操作S202，对原始数据进行预处理，得到真实磁矩数据。0042预处理可以包括对原始数据进行调整、归一化处理，包括。

21、对原始数据进行参数调整，得到真实清晰的原始数据。对原始数据进行归一化处理包括采用编程软件对原始数据进行归一化处理，消除图像变形，得到原始数据。例如，可以对上述自然随机分布的荧光图像进行调整、归一化处理，得到格式一致的真实磁矩数据。0043根据本公开的实施例，其中，根据真实磁矩数据获得与真实磁矩数据对应的磁场数据包括：根据探测方法的物理原理，结合探测器自身信息，获取探测磁场数据；对所述探测磁场数据进行拟合，结合隐含参数，得到与所述真实磁矩数据对应的磁场数据。0044图3示意性示出了图1所示的获得与真实磁矩数据对应的磁场数据的方法示意图。0045作为一个实施例，如图3所示，采用以金刚石的氮空位缺陷。

22、(nitrogenvacancy center，NV色心)为量子传感器的探测方法，根据真实磁矩数据，获得磁场数据。0046具体的，如图3所示，待测样品中包含自然随机分布的磁矩分布，通过金刚石的NV色心能够探测到磁矩数据，并且金刚石的NV色心会产生相应的荧光图像，通过对荧光图像进行洛伦兹拟合可以得到磁场数据。该荧光图像就是探测磁场图像。0047具体的，基于金刚石的NV色心的探测方法，金刚石的NV色心能够产生荧光图像，该荧光图像经过探测器的探测后，会产生包含探测器自身信息的荧光图像。通过对探测到的荧光图像进行洛伦兹拟合，再结合隐含参数，获得与真实磁矩数据对应的磁场数据。根据上述探测方法，金刚石的N。

23、V色心产生荧光的物理原理满足：00480049其中，c0是金刚石的NV色心的计数率，f是采用金刚石的NV色心探测磁场过程中施加的微波频率，x、y是金刚石的NV色心在待测样品中xy平面的坐标，z(i)为第i个金刚石的NV色心在z轴的坐标，Bn(x，y，z(i)是第i个NV色心感受的外磁场强度，C是磁共振谱线的对比度，w是磁共振谱线的半高宽，N是z方向上的NV数量，是金刚石的电子旋磁比，C(x，y，f)是在f的微波频率下，待测样品中(x，y)位置的NV色心发射的荧光强度。0050根据探测器的光学系统信息，探测器探测到的荧光强度满足：0051Cobj(x，y，f)C(x，y，f)*PSFo(2)00。

24、52其中，Cobj(x，y，f)为探测器真实探测到的荧光强度，C(x，y，f)为金刚石的NV色心产生的荧光强度，PSFo为探测器的光学系统的点扩散函数。0053探测器自身信息包含传感器的尺寸、NV色心的密度、信号的扩散、信号源与传感器的距离等信息，探测器的光学系统的点扩散函数与探测过程中相机像素尺寸和光学系统的说明书4/10 页7CN 116151330 A7放大倍数有关。0054对上述包含探测器自身信息的探测磁场数据进行洛伦兹拟合，再结合隐含参数，可以得到与真实磁矩数据对应的磁场数据，并且对于包含隐含参数的每一个真实磁矩数据都可以得到唯一的磁场数据。0055根据本公开的实施例，其中，隐含参数。

25、的数值满足预设参数范围，预设参数范围为探测过程中待测样品与探测器的位置范围。具体的，对于基于金刚石的NV色心的探测方法，预设参数范围为探测过程中待测样品与金刚石的NV色心的距离。0056根据本公开的实施例，将测试集输入训练好的条件生成对抗网络，得到磁场重构的磁矩数据，通过磁矩数据能够计算得到隐含参数，计算公式满足：0057harg min|f(G(B)，h)B|2 (3)0058其中，h为隐含参数，B为输入生成器的磁场数据，G(B)为输入磁场数据B后生成器输出的模拟磁矩数据，f(G(B)，h)为根据生成器生成的模拟磁矩数据计算的磁场数据。0059根据本公开的实施例，其中，利用训练样本集对待训练。

26、的磁场重构模型进行训练，得到训练后的磁场重构模型包括：将训练样本集中的真实磁矩数据和磁场数据的格式都转化为RGB格式，将RGB格式的磁场数据输入生成器，得到RGB格式的模拟磁矩数据；将RGB格式的模拟磁矩数据和RGB格式的真实磁矩数据输入判别器，不断迭代训练条件生成对抗网络，得到磁场重构模型。0060根据本公开的实施例，其中，磁场重构模型的损失函数包括第一损失函数和第二损失函数，第一损失函数为条件生成对抗网络的损失函数，满足：00610062其中，为整个条件生成对抗网络的损失函数，Dk为第k个判别器，G为生成器，B为输入的磁场数据，m为真实磁矩数据，G(B)为生成器输出的模拟磁矩数据，Dk(B。

27、，m)为第k个判别器判别输入的真实磁矩数据为真的概率，Dk(B，G(B)为第k个判别器判别输入的模拟磁矩数据为真的概率。0063第二损失函数为条件生成对抗网络的特征提取的损失函数，特征提取的损失函数是通过对第一概率和第二概率取范数得到的。其中，第一概率为判别器的每层特征提取器输入的真实磁矩数据是真实磁矩数据的概率，第二概率是特征提取器判别输入的模拟磁矩数据是真实磁矩数据的概率。具体的，第二损失函数满足：00640065其中，为特征提取的损失函数，Dk为第k个判别器，G为生成器，B为输入的磁场数据，m为真实磁矩数据，G(B)为生成器输出的模拟磁矩数据，为第k个判别器的第i层特征提取器判别输入的真。

28、实磁矩数据为真的概率，为第k个判别器的第i层特征提取器判别输入的模拟磁矩数据为真的概率，T为共有T层特征提取器，Ni为第i层特征提取器提取的调整维度为N。0066因此，本公开的条件生成对抗网络的目标函数为：说明书5/10 页8CN 116151330 A800670068其中，灵是权重因子，是条件生成对抗网络的损失函数，是特征提取的损失函数。本公开基于条件生成对抗网络的损失函数，还加入了特征提取的损失函数，能够提高磁场重构模型生成的模拟磁矩网络的准确性和精细程度。0069根据本公开的具体实施例，基于金刚石的NV色心的探测方法，获得442幅自然随机分布的荧光图像，经过预处理后得到442个真实磁矩。

29、数据。隐含参数满足的预设参数范围是从0.7 m到2.0 m，间隔0.1 m，经过探测和拟合得到包含设定探测器信息的6188个磁场数据，相应的产生了6188个数据对，构成了大小为6188的训练样本集。具体参数设定为：金刚石的NV色心的间距为20nm，根据金刚石的NV色心间距得到NV色心的密度；金刚石连续谱的对比度为2，半高宽为10MHz；光学系统的点扩散函数参数设定是光学放大倍数为20倍，数值孔径为0.7，分辨率为0.77 m，相机的最小像素为6.5 m。0070按照35T的范围将磁场转化成16bit jet的RGB格式的磁场数据，按照06.45e13emu/pixel的范围将磁矩转化成16bi。

30、t jet的RGB格式的磁矩数据。选取80的训练样本集作为训练集对条件生成对抗网络进行训练，20的训练样本集作为测试集对训练好的条件生成对抗网络进行测试。可以采用pix2pixHD来进行测试。0071表1为训练参数表，包括训练样本集的数据大小，权重因子，学习率，判别器数量，训练次数，dropout(指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃)，训练集大小，BatchSize(一次训练所选取的样本数)，归一化函数和硬件参数。0072表100730074依据表1的训练参数，硬件采用图形处理器(Graphics Processing Unit，GPU)，Ins。

31、tanceNorm为归一化函数，对于条件生成对抗网络中的权重参数按照均值为0、标准差0.02的高斯分布初始化。对条件生成对抗网络进行400次训练，其中，前200次学习率保持不变，后200次线性衰减到0，训练条件生成对抗网络。0075生成器包括全局生成器和局域生成器。kAnBsC，表示卷积核的大小为AA，卷积核说明书6/10 页9CN 116151330 A9的数量为B，步幅为C，例如，k7n128s1表示卷积核的大小为77，卷积核的数量为128，步幅为1。向生成器中输入磁场数据，磁场数据大小为5125123，先对输入的磁场数据做下采样k3n3s2得到2562563的中间磁场数据。将256256。

32、3的中间磁场数据输入至局域生成器中，经过卷积和归一化得到256256128的矩阵，再经过4次下采样k3n*s2得到32321024的数据。经过7次Residual Block之后，反向做3次上采样k3n*s2得到256256128的数据；同时，将5125123的磁场数据输入至全局生成器中，经过卷积和归一化之后得到51251264的矩阵，再经过1次下采样k3n128s2得到256256128。将全局生成器生成的256256128的矩阵与局域生成器中生成的256256128的矩阵像素对应相加，得到总矩阵。总矩阵经过3次Residual Block后，再做1次上采样k3n64s2和卷积k7n3s1归。

33、一化操作，得到5125123的矩阵，即模拟磁矩数据。0076判别器包含三个不同的判别器，可以从不同的尺度和感受野对生成器生成的模拟磁矩数据进行评估。不同尺度的判别器具有相同的网络结构，只是对训练数据的初步处理的下采样不同。将生成器生成的模拟磁矩数据和真实磁矩数据串联成5125126的矩阵。根据判别器的感受野不同，采用不同判别器(1，2，4)对矩阵做不同程度的下采样k3n6s2，得到初步处理的矩阵。将初步处理的矩阵输入判别器，先进行4次下采样k3n*s2，再做一次卷积k4n1s1归一化操作就得到nn1矩阵。其中n的大小取决于初始数据的维度。例如，采用判别器1，不对矩阵做初始下采样，初步处理的矩阵。

34、还是5125126，将该矩阵输入判别器，经过处理得到的矩阵就是32321；采用判别器2，对矩阵做一次下采样k3n6s2，得到初步处理的矩阵，将初步处理后的矩阵输入判别器，经过处理得到的矩阵就是16161；采用判别器4，对矩阵做两次下采样k3n6s2，得到初步处理的矩阵，将初步处理后的矩阵输入判别器，经过处理得到的矩阵就是881。0077利用训练样本集训练条件生成对抗网络，得到磁场重构模型后，将训练集和测试集的磁场重构结果与真实磁矩数据进行对比，分析了图像相似度和峰值信噪比，对测试集获得的磁场重构结果计算了隐含参数，用于判断磁场重构模型的效果。表2为训练样本集的测试结果。0078表2007900。

35、80训练集获得的磁场重构结果与真实磁矩数据的图像相似度在0.940，浮动范围不超过0.034，测试集获得的磁场重构结果与真实磁矩数据的图像相似度都稳定在0.933，浮动范围不超过0.037。磁场重构模型获得的磁场重构结果与真实磁矩数据相比，图像相似度都十分接近1；训练集和测试集获得的模拟磁矩数据与真实磁矩数据的峰值信噪比也都大于30dB，表明该磁场重构模型构造的模拟磁矩数据真实度很高。对测试集获得的模拟磁场数据计算了隐含参数，根据真实磁矩数据的隐含参数和模拟磁矩数据计算的隐含参数，得到标准偏差，标准偏差远小于1，表明该磁场重构模型对于未进行训练的隐含参数也有很好说明书7/10 页10CN 11。

36、6151330 A10的模拟效果，具备在不知道待测样品与探测器的实际距离的情况下对磁场分布进行重构的能力。并且，磁场重构的结果也能够表明该磁场重构方法可以挖掘出距离信息。0081图4示意性的示出了磁场重构结果和训练样本集的对比图，图5示意性的示出了磁场重构模型的隐含参数训练效果图。0082如图4所示，图4(a)为获得的真实磁矩数据，根据真实磁矩数据计算得到图4(b)的与真实磁矩数据对应的磁场数据；将磁场数据输入磁场重构模型后，得到图4(c)的模拟磁矩数据，根据模拟磁矩数据计算得到图4(d)的与模拟磁矩数据对应的磁场数据。图4(e)是将图4(a)的真实磁矩数据与图4(c)的模拟磁矩数据做差得到的。

37、图像数据。图4(f)是将图4(b)的与真实磁矩数据对应的磁场数据与图4(d)的与模拟磁矩数据对应的磁场数据做差得到的图像数据。根据图4(e)和图4(f)，可以看出真实磁矩数据和模拟磁矩数据的差别很小，真实磁场数据和模拟磁场数据的差别也很小，表明该磁场重构模型能够很好的完成从磁场到磁矩的重构。如图5所示，横坐标是待测样品与金刚石的NV色心的距离，纵坐标为真实磁场数据和真实磁矩数据做差得到的图象数据，即图4(f)的平方绝对值。误差曲线是根据每个模拟磁矩数据获得的隐含参数(待测样品与NV色心的距离)和对应的图4(f)的平方绝对值连成的曲线；根据真实磁矩数据和隐含参数得到对应的磁场数据，将该磁场数据输。

38、入磁场重构模型得到模拟磁矩数据，真实曲线则为获得该磁场数据输入的隐含参数。如图4所示，误差曲线的最小值对应的横坐标为1.3 m，与输入的隐含参数相同，结合表2进一步表明该磁场重构模型能够在不知道待测样品与探测器的实际距离的情况下对磁场分布进行重构，并且磁场重构方法可以挖掘出距离信息。0083作为本公开的另一个方面的实施例，还提供了一种基于条件生成对抗网络的磁场重构方法，包括：获取待测磁场数据；将待测磁场数据输入至磁场重构模型，输出重构的磁矩数据，其中，磁场重构模型由根据本公开实施例的磁场重构模型的训练方法训练得到。0084图6示意性的示出了依据磁场重构模型获得磁场重构结果的流程图。0085如图。

39、6所示，在操作S601，获取待测磁场数据。获取需要进行磁场重构的磁场数据，包括计算机仿真获得的磁场数据和实际实验获得的磁场数据。0086在操作S602，将待测磁场数据输入至磁场重构模型，输出重构的磁矩数据。将需要进行磁场重构的磁场数据输入已经训练好的磁场重构模型当中，磁场重构模型能够输出磁场数据对应的磁矩数据，获得可靠的重构的磁矩数据。0087根据本公开的上述实施例提供的基于条件生成对抗网络的磁场重构模型的训练方法、磁场重构方法，能够训练得到磁场重构模型。磁场重构方法通过将待测磁场数据输入上述磁场重构模型，能够得到重构的磁矩数据。本公开提出的基于条件生成对抗网络的磁场重构方法，能够将图像生成的。

40、技术用于磁场重构的过程，利用神经网络学习到磁场到磁矩的映射关系，基于端到端的方式，实现包括测量过程中的各种物理因素，如探测器的尺寸、信号的扩散、信号源与传感器的距离等的磁场重构。此外，本公开提出的磁场重构方法还能够对不同尺度的磁图像进行磁场重构，包括从微米尺度的微观磁成像如组织磁成像，到超大尺度的宏观成像如宇宙磁图像。0088图7示意性示出了根据本公开实施例的适于实现上文描述的磁场重构方法的电子设备的框图。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。说明书8/10 页11CN 116151330 A110089如图7所示，根据本公开实施例的电子设备700包。

41、括处理器701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC)，等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。0090在RAM 703中，存储有电子设备700操作所需的各种程序和数据。处理器701、ROM 702以及RAM 703通过总线704彼此相连。处理器701通。

42、过执行ROM 702和/或RAM 703中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 702和RAM 703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。0091根据本公开的实施例，电子设备700还可以包括输入/输出(I/O)接口705，输入/输出(I/O)接口705也连接至总线704。电子设备700还可以包括连接至I/O接口705的以下部件中的一项或多项：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分7。

43、07；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。0092根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以。

44、通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。0093本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。0094根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可。

45、以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CDROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。0095例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 702和/或RAM 703和/或ROM 702和7AM 603以外的一个或多个存储器。0096本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序说明书9/。

46、10 页12CN 116151330 A12包含用于执行本公开实施例所提供的方法的程序代码，当计算机程序产品在电子设备上运行时，该程序代码用于使电子设备实现本公开实施例所提供的磁场重构模型的训练方法。0097在该计算机程序被处理器701执行时，执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。0098在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分709被下载和安装，和/或从可拆卸介质711被安装。。

47、该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。0099根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C+，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网。

48、络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。0100附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及。

49、的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。0101以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。说明书10/10 页13CN 116151330 A13图1图2图3说明书附图1/3 页14CN 116151330 A14图4图5说明书附图2/3 页15CN 116151330 A15图6图7说明书附图3/3 页16CN 116151330 A16。