一种结合 CNN 与物理信息神经网络的两阶段成像框架用于全逆问题重建：基于电阻率断层扫描 (EIT) 的案例研究
机器学习
2025-03-17 v2 计算物理
摘要
电阻率断层扫描 (EIT) 是一个高度病态的逆问题，挑战在于仅使用边界电压测量值重建内部电导率。尽管物理信息神经网络 (PINN) 在解决逆问题方面显示出潜力，但现有方法在 EIT 适用性上受限，因其常依赖无法在现实场景中满足的不切实际的先验知识和假设。为解决这些限制，我们提出了一种两阶段混合学习框架，将卷积神经网络 (CNN) 和 PINN 结合起来。该框架集成了数据驱动与模型驱动范式，将监督学习与无监督学习相结合，以重建电导率分布，同时确保遵循底层物理法则，从而克服了现有方法的约束。
引用
@article{arxiv.2407.17721,
title = {A Two-Stage Imaging Framework Combining CNN and Physics-Informed Neural Networks for Full-Inverse Tomography: A Case Study in Electrical Impedance Tomography (EIT)},
author = {Xuanxuan Yang and Yangming Zhang and Haofeng Chen and Gang Ma and Xiaojie Wang},
journal= {arXiv preprint arXiv:2407.17721},
year = {2025}
}