GAN 驱动的二维介质散射体电磁成像
图像与视频处理
2024-02-19 v1 计算工程、金融与科学
机器学习
信号处理
摘要
逆散射问题本质上是具有挑战性的，因为它们是不适定且非线性的。本文提出了一种强大的基于深度学习的方法，该方法利用生成对抗网络（GAN），从多频散射电场的幅度中准确且高效地重构随机形状的二维介质物体。训练了一个对抗自编码器（AAE），以学习从受限于高斯分布的低维潜在表示中生成散射体的几何形状。建立了一个连贯的逆神经网络（INN）框架，该框架由一系列适当设计的密集层、已训练的生成器以及单独训练的前向神经网络组成。通过将逆网络输出端重构的图像与前向神经网络的输出进行比较来验证这些图像，从而解决了电磁（EM）成像问题中固有的非唯一性挑战。训练好的 INN 表现出增强的鲁棒性，其平均二元交叉熵（BCE）损失为 ，结构相似性指数（SSI）为 。该研究不仅展示了计算负载的显著减少，还标志着相对于传统基于目标函数的方法的实质性改进。通过提供一种实时定量成像方法，它为机器学习和 EM 成像领域做出了贡献。使用模拟数据获得的训练和测试结果均显示出良好的前景，并可能为射频逆成像开辟新途径。
引用
@article{arxiv.2402.10831,
title = {GAN-driven Electromagnetic Imaging of 2-D Dielectric Scatterers},
author = {Ehtasham Naseer and Ali Imran Sandhu and Muhammad Adnan Siddique and Waqas W. Ahmed and Mohamed Farhat and Ying Wu},
journal= {arXiv preprint arXiv:2402.10831},
year = {2024}
}