.png){kind=icon}
返回
PhyIR: Physics-Inspired Implicit Representation Method for Inverse Scattering Problems
.png){kind=icon}
PRE
AI
DOI：10.1109/tci.2026.3738090.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究提出了一种新颖的无监督重建方法，用于解决高度非线性且不适定的逆散射问题（ISPs）。我们建立了一种新颖的隐式表示方法，称为PhyIR，用于二维ISPs，其中采用谱配置方案来计算完整前向算子的雅可比矩阵，并精心构建基于物理启发的神经网络，以对迭代解施加隐式正则化。具体而言，为了赋予隐式表示ISPs中固有的基于物理的结构先验，我们通过模拟物理参数的理想化公式来构建隐式神经表示。此外，受光谱域中的变换在正向散射中占主导地位的关键见解的启发，我们利用傅里叶神经网络算子（FNO）的光谱域参数化能力，在表示中提供全局光谱特征耦合，同时保持连续表示的分辨率灵活性特性。所提出的PhyIR结合了测量条件下的可学习编码器与集成全局特征的解码器，实现了卓越的重建性能，特别是在强非线性散射条件下。通过广泛的模拟和真实世界数据实验验证了所提出方法的有效性。比较分析表明其优越的重建性能以及在锐度和形状保持方面的一致改进。PhyIR的进展为ISPs提供了一种有前景且可扩展的解决方案，同时也为其他具有类似属性的成像模式和问题提供了宝贵的见解。
Keyword:
Inverse scattering problems
neural representation
Fourier neural operator
physics priors
implicit regularization
期刊
I
IF:
4.8
论文数:
153
被引数:
0
机构
引用论文
暂无论文信息