GAN-driven Electromagnetic Imaging of 2-D Dielectric Scatterers

这篇论文介绍了一种基于生成对抗网络的强大深度学习方法，能够准确高效地从多频散射电场的振幅中重建任意形状的二维介质物体。由于反演散射问题是不适定和非线性的，因此具有困难性。研究使用对抗自编码器（AAE）来学习生成散射体几何形状，该形状由低维潜在表示构成，受高斯分布约束。同时，建立了一个完整的反演神经网络（INN）框架，包括一系列适当设计的密集层、已经训练好的生成器和单独训练好的前向神经网络。通过与前向神经网络输出的比较，验证了反演网络输出的图像，解决了电磁成像问题中的非唯一性挑战。经过训练的INN表现出更强的鲁棒性，平均二进制交叉熵（BCE）损失为0.13，结构相似性指数（SSI）为0.90。该研究不仅展示了计算负载的显著降低，而且比传统的基于目标函数的方法有了实质性的改进。它为机器学习和电磁成像领域提供了一种实时的定量成像方法。模拟数据的训练和测试结果都表现出良好的前景，并可能为射频反演成像开辟新的途径。

使用深度学习解决电磁成像中的反演问题，特别是在二维介质物体的成像中。

使用生成对抗网络（GAN）和逆神经网络（INN）框架，从多频散射电场的振幅中重建二维介质物体的形状。

论文提出的方法在计算负荷方面具有显著的改进，同时也取得了比传统方法更好的成像结果。使用了AAE和INN框架，通过比较前向和逆向神经网络的输出来验证成像结果。研究结果表明，该方法具有实时定量成像的能力。

近期的相关研究包括基于深度学习的电磁成像方法，如使用卷积神经网络（CNN）和循环神经网络（RNN）等。其中一些研究的论文标题包括：“Deep Learning for Electromagnetic Imaging: A Review”和“Deep Learning-Based Electromagnetic Inverse Scattering: A Review and New Trends”。