分析方法能够快速、低算力地预测浊介质中的光子传输，因而在实时和逆向问题中具有吸引力。但由于为获得可求解形式而做出的近似假设，其精度受到限制。相对地，蒙特卡罗（MC）模拟被视为光子传输建模的金标准，却因计算开销大而难以在需要大量前向评估的场景中使用。\ \ 本文提出一种物理引导的残差学习框架，将解析模型的计算效率与 MC 模拟的高精度相结合。以扩散近似（DA）为代表案例，DA 在强吸收、弱散射或边界处理不完善时会产生系统误差。给定吸收系数、散射系数和各向异性因子后，先利用 DA 计算得到的光学预测作为物理先验，随后网络仅学习该解析预测与 MC 参考之间的残差。\ \ 在所评估的光学参数范围内，所提框架将标量反射率的 RMSE 降低约 62 倍，空间分辨反射率的 RMSLE 降低约 14 倍，相比单纯的 DA 预测有显著提升。仅使用 1% 的可用训练数据，误差分别比直接神经网络代理低约 87% 和 93%。这些结果表明，对解析物理基线进行学习校正能够同时提升预测精度和数据利用效率。\ \ 点评：该工作展示了将物理先验嵌入深度学习的有效路径，为光子传输等高成本仿真提供了兼顾速度与准确性的实用方案。