利用无相位 Wi-Fi 测量进行室内成像的物理辅助深度学习

本文提出了一种利用无相位 Wi-Fi 测量进行精确室内成像的物理辅助深度学习框架。它能够对尺寸较大（相对于波长）且具有高介电常数值的物体进行成像，而现有的射频（RF）逆散射技术对此类物体感到极具挑战性，这使其适用于室内 RF 成像。该技术利用基于 Rytov 的逆散射模型与深度学习框架相结合。该逆散射模型基于扩展 Rytov 近似（xRA），对 RF 测量进行预重建。在强散射条件下，这种预重建通过非线性函数与实际介电常数分布相关联，该非线性函数由改进的 U-Net 模型学习，以获取物体的介电常数分布。因此，我们提出的方法不仅重建了物体的形状，还准确估计了其介电常数值。我们使用仿真以及在真实室内环境中使用 2.4 GHz Wi-Fi 无相位测量的实验结果，展示了其成像性能。对于入射波长 $\lambda_0$，该框架能够重建相对介电常数高达 77 且电尺寸大至 $40 \lambda$ 的物体，其中 $\lambda =\lambda_0/\sqrt{77}$。这与现有的无法重建超过 3 或 4 的介电常数值的无相位成像技术形成对比。因此，我们提出的方法是首个基于逆散射的深度学习框架，能够对具有高介电常数的大型散射体进行成像，并利用无相位 Wi-Fi 测量实现准确的室内 RF 成像。