.png){kind=icon}
返回
A Sensitivity Prior Generation With Conditional Diffusion Model for EIT Reconstruction
.png){kind=icon}
PRE
AI
DOI：10.1109/LSP.2025.3590324.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无监督扩散模型在图像生成方面表现出色，并且能够解决EIT逆问题，而当前方法忽略了包括非均匀分布在内的非线性先验，并且需要大量迭代，导致成像时间过长。为解决此问题，我们提出了DiffEIT，一种条件引导的扩散模型，将敏感度域中的DDPM与均匀、非均匀和微分敏感先验的三分支扩散框架相结合。测量条件引导策略增强了不同测量状态下的敏感度矩阵。此外，引入了具有密集连接、金字塔特征和交叉注意力机制的改进U-Net，以改进传统DDPM中的原始U-Net。利用FISTA-Net进行重建，其结果优于现有的EIT成像方法。此外，我们的DiffEIT仅用25步即可实现准确的EIT重建。
Keyword:
EIT
inverse problem
prior generation
measurement condition
DDPM
期刊
IF:
9.6
论文数:
1.1W
被引数:
1.7W
机构
引用论文
A Regularization-Guided Deep Imaging Method for Electrical Impedance Tomography一种正则化引导的电阻抗层析成像深度成像方法.png)
IEEE SENSORS JOURNAL
IEEE SENSORS JOURNALIF4.5
PREAI
分享收藏MMV-Net: A Multiple Measurement Vector Network for Multifrequency Electrical Impedance Tomography
OAAI
OAAI分享收藏
查看更多内容