用于电磁逆散射的坐标残差物理驱动神经网络

电磁逆散射是一个非线性和不适定问题，由于测量限制、噪声和高计算成本，精确重建具有挑战性，尤其是在3D成像中。尽管物理驱动神经网络（PDNN）减少了对标记训练数据的依赖，但现有的加速PDNN框架通常依赖于基于初步重建的区域选择，当所选区域不准确时，这可能会引入不稳定性。本文提出了一种用于3D电磁逆散射的坐标残差物理驱动神经网络（CRPDNN）。所提出的求解器使用归一化空间坐标和残差卷积网络直接重建未知的对比度分布，无需初步重建。对于所报告的无噪声3D合成案例，CRPDNN实现了2.10%的平均相对误差，而CSI为7.97%，$L_{2/3}$-FBE-WCIE为3.99%，同时相对于这两个基线分别提供了约5.5倍和12.1倍的加速。补充的2D比较进一步证实了其相对于现有PDNN框架的稳定性和计算效率。CRPDNN在噪声测量下也保持了可靠的重建性能，3D菲涅耳实验进一步表明了其在实际成像应用中的潜力。相关代码可在 https://github.com/Physics-driven-methods 获取。