测试时 FFT 处理与训练时不一致可能导致性能偏差

[flynn17625]

问题描述
在代码中发现训练阶段和测试阶段对 FFT 的处理存在差异，可能影响模型性能一致性：
训练阶段（ACIU.py）：
python
运行
masked_x = torch.real(torch.fft.ifft2(masked_x_in_k_space)) # 取实部
测试阶段（test_function.py）：
python
运行
masked_x = torch.abs(torch.fft.ifft2(masked_x_in_k_space)) # 取绝对值
这种差异会导致输入到模型的PhiTb在训练和测试时存在计算方式不同，可能造成测试结果不能准确反映模型真实性能，尤其在相位信息对重建结果有影响的场景下。
建议解决方案
统一训练和测试阶段的 FFT 逆变换处理方式，建议保持与训练阶段一致（取实部），修改test_function.py中的 FFT_Mask_ForBack 类：
python
运行
def forward(self, x, full_mask, flag=True):
full_mask = full_mask[..., 0]
x_in_k_space = torch.fft.fft2(x)
masked_x_in_k_space = x_in_k_space * full_mask.view(1, 1, *(full_mask.shape))
masked_x = torch.real(torch.fft.ifft2(masked_x_in_k_space)) # 改为取实部
return masked_x
补充说明
需要确认数据集中的图像是否为实数信号（通常 MRI 图像为实数），如果是则取实部更合理；若存在复数信号场景，可能需要重新评估合适的处理方式。建议在修改后重新测试模型性能，观察指标变化。