论文技术总结：基于可扩展框架 TVAM AID 的 Tomographic 体积增材制造惩罚优化照明设计系统分析

1. 研究背景与问题定义

Tomographic Volumetric Additive Manufacturing (TVAM) 是一种新兴的增材制造技术，能够通过无层（layerless）的方式快速制造复杂几何形状的物体。其核心原理是利用光聚合物的固化特性：当吸收的光能量剂量超过特定阈值 $\tau$ 时，材料从液态转变为固态。

核心挑战：
为了在打印域 $\Omega$ 中实现复杂的几何形状，必须设计一个照明计划（Illumination Plan），使得目标区域（In-part, $\Omega_{in}$）吸收足够的能量以固化，而非目标区域（Out-of-part, $\Omega_{out}$）吸收的能量低于阈值以保持液态。
由于光在传播过程中会穿透整个介质，无法仅照亮特定区域而不影响其前后区域，因此这是一个典型的逆问题。传统的滤波反投影（FBP）方法生成的投影图（Sinogram）可能包含负值，而实际光源无法产生负光强，因此必须引入非负约束。现有的迭代优化方法（如 OSMO）虽然解决了非负性问题，但在处理阈值边界和打印质量指标（如固化均匀性、过程窗口）方面仍有优化空间。

研究目标：
本文旨在通过系统分析不同的**惩罚函数（Penalty Functions）**及其参数（阈值 $\tau_{lower}$ 和 $\tau_{upper}$），优化 TVAM 的照明设计，以平衡打印质量指标，并构建一个可复现、可扩展的框架。

2. 方法论 (Methodology)

2.1 数学模型

作者将照明规划形式化为一个带非负约束的最小二乘优化问题：
$$g^* = \arg\min_{g} \|A^T g - t\|_2^2, \quad \text{s.t. } g \ge 0$$
其中：

• $g$ 是照明计划（Sinogram）。
• $A^T$ 是反投影算子（模拟打印过程）。
• $t$ 是目标能量剂量分布。
• 目标函数被分解为对 In-part ($I_{in}$) 和 Out-of-part ($I_{out}$) 区域的惩罚项之和。

2.2 评估指标

为了量化打印性能，定义了三个关键指标：

1. 过程窗口 (Process Window, PW): $PW = \min(f_{in}) - \max(f_{out})$。衡量固化区最小剂量与未固化区最大剂量之间的间隙。$PW > 0$ 是成功打印的必要条件，值越大表示工艺鲁棒性越强。
2. 体素剂量范围 (In-Part Dose-Range, IPDR): $IPDR = \max(f_{in}) - \min(f_{in})$。衡量固化区内剂量分布的均匀性。值越小，固化时间越同步，减少沉降和折射畸变。
3. 体素错误率 (Voxel Error Rate, VER): 衡量 $f_{out}$ 中超过 $\min(f_{in})$ 的体素比例。理想值为 0。

2.3 提出的惩罚函数策略

论文比较了四种不同的惩罚函数策略：

1. L2-norm Penalties (L2N): 对 $I_{in}$ 和 $I_{out}$ 均使用标准的 L2 范数（二次方）惩罚，分别以 $\tau_{upper}$ 和 $\tau_{lower}$ 为目标。这会导致剂量分布非常均匀，但可能过于严格，限制了优化空间。
2. One-Sided Penalties (OSP): 仅对“错误”方向进行惩罚。
   • $I_{out}$: 仅当剂量 $> \tau_{lower}$ 时惩罚。
   • $I_{in}$: 仅当剂量 $< \tau_{upper}$ 时惩罚。
   • 优点：允许更大的过程窗口（PW）；缺点：可能导致 $I_{in}$ 内剂量分布极不均匀（高 IPDR）。
3. OSP with High Dose Penalty (OSPW, $w > 0$): 在 OSP 基础上，对 $I_{in}$ 中超过 $\tau_{upper} + w$ 的剂量增加惩罚，旨在限制最大剂量，从而降低 IPDR。
4. OSPW ($w = 0.0$): 本文提出的核心创新策略。
   • 对 $I_{out}$ 使用宽松的单侧惩罚（OSP），允许非均匀性以换取更大的 PW。
   • 对 $I_{in}$ 使用严格的L2 范数惩罚，强制剂量均匀，从而获得极小的 IPDR。
   • 这种组合旨在同时获得 OSP 的大过程窗口和 L2N 的高均匀性。

2.4 实现框架：TVAM AID

• 基于开源库 Core Imaging Library (CIL) 构建。
• 使用 FISTA (Fast Iterative Shrinkage-Thresholding Algorithm) 求解器。
• 框架具有高度可扩展性，允许用户轻松替换惩罚函数和约束条件。

3. 关键贡献 (Key Contributions)

1. 惩罚函数的系统分析： 首次系统性地对比了不同惩罚函数（L2N, OSP, OSPW）对 TVAM 打印指标（PW, IPDR, VER）的影响，揭示了惩罚函数形状与能量剂量分布范围之间的内在联系。
2. 阈值作为设计参数的系统扫描： 将阈值 $\tau_{lower}$ 和 $\tau_{upper}$ 视为可优化的设计参数，而非固定值。通过大规模参数扫描（325 组阈值对），量化了阈值选择对打印质量的影响，并确定了推荐默认值（$\tau_{lower}=0.70, \tau_{upper}=0.90$）。
3. 提出并验证 OSPW($w=0.0$) 策略： 证明了混合惩罚策略（Out-of-part 单侧 + In-part L2 范数）在保持大过程窗口的同时，能显著降低体素剂量范围，优于传统方法。
4. 构建可复现、可扩展的框架 (TVAM AID)： 利用 CIL 库降低了 TVAM 照明设计的门槛，使得经典 CT 重建中的优化策略可以应用于增材制造，并支持未来引入正则化项或灰度打印模型。

4. 实验结果 (Results)

4.1 2D 几何体测试

在 DTU 标志（中等复杂度）、中心圆盘（简单）和分辨率测试（高复杂度）三种几何体上进行了测试：

• OSPW($w=0.0$) 表现最佳： 在所有几何体上，OSPW($w=0.0$) 均实现了比传统 OSMO 算法更高的 PW 和更低的 IPDR。
• 阈值敏感性： 即使使用默认阈值，OSPW($w=0.0$) 的表现也往往优于经过参数优化的 OSMO。
• 鲁棒性： 引入异常值剔除机制（去除 0.05% 的极值体素）后，OSPW($w=0.0$) 的指标更加稳定，表明其对离群值不敏感。

4.2 3D 几何体验证

在 3D 螺旋（Gyroid）几何体上进行了验证：

• OSPW($w=0.0$) 在 3D 切片上表现出比 OSMO 更宽的 PW 和更低的平均 IPDR。
• 通过调整参数 $w$（例如使用 $w=0.1$），可以进一步平衡 PW 和 IPDR，证明了框架的灵活性。
• 切片间的性能差异表明，针对不同切片调整惩罚策略可能进一步优化 3D 打印质量。

5. 意义与展望 (Significance)

• 理论意义： 明确了惩罚函数设计在 TVAM 逆问题中的核心作用，证明了通过混合惩罚策略可以打破传统方法中“过程窗口”与“剂量均匀性”之间的权衡困境。
• 工程价值： 提出的 OSPW($w=0.0$) 策略和推荐的默认阈值参数，可直接用于提升 TVAM 打印的良品率和工艺鲁棒性。
• 工具贡献： TVAM AID 框架的开源特性（基于 CIL）促进了社区协作，使得研究人员可以专注于新型优化策略的开发，而无需从头构建底层求解器。
• 未来方向： 该框架可进一步扩展至连续材料模型（支持灰度打印/功能材料打印），并通过引入正则化项进一步优化未固化区域的剂量均匀性。

总结： 本文通过严谨的数学建模和广泛的实验验证，提出了一种基于混合惩罚函数的 TVAM 照明设计新范式，显著提升了打印质量指标，并为该领域的算法开发提供了标准化的可扩展工具。