Physics-Consistent GPR Inversion via Feature-Enhanced Forward Module and Envelope Data

doi:10.1109/tgrs.2026.3718580

Physics-Consistent GPR Inversion via Feature-Enhanced Forward Module and Envelope Data

2026-07-30

0

PRE

AI

DOI：10.1109/tgrs.2026.3718580

原文链接

原文求助

摘要

En 中文

虽然全波形反演（FWI）能够提供高分辨率的探地雷达（GPR）成像，但其高昂的计算成本和对初始模型的固有敏感性限制了其应用。相反，深度学习虽然高效，但通常缺乏物理约束，导致在噪声环境下出现结构伪影。为兼顾高保真度、鲁棒性与计算效率，我们提出了一种基于包络数据的物理一致性反演框架及特征增强的前向模块。我们方法的关键创新在于将物理约束从噪声像素域转移至鲁棒的潜在特征流形上。具体而言，我们构建了一个预训练的可微分前向建模引擎，并引入了潜在特征注入机制。该策略将多尺度结构语义从反演网络传递到前向引擎，依据全局地质背景强制执行严格的物理一致性，有效弥补了传统参数预测的信息瓶颈。在合成数据集和实测数据集上的大量实验表明，该方法在保持深度学习计算效率的同时显著优于传统基线，展现出卓越的反演精度、出色的噪声免疫能力和强大的泛化能力。

Keyword:

Convolutional neural network (CNN)

envelope radar data

forward constraints

ground penetrating radar (GPR) inversion

vision transformers (ViTs)

Physics-Consistent GPR Inversion via Feature-Enhanced Forward Module and Envelope Data

摘要

期刊

机构

引用论文