CVPR 2026 Highlight | 单发射器电磁逆散射方法

论文链接：

https://arxiv.org/abs/2506.21349

项目代码：

https://github.com/gomenei/SingleTX-EISP

项目主页：

https://gomenei.github.io/SingleTX-EISP

视频介绍：

https://youtu.be/Rh1y83JXY-s

图1：二维与三维重建对比结果。我们的方法在单发射器极端设定下仍显著优于现有方法，并实现了超过 70000 倍的推理加速。

电磁逆散射问题（EISP）旨在根据散射电磁场重建目标的相对介电常数，是非侵入式成像的重要基础，在医学成像等领域具有广泛应用价值。传统方法通常依赖大量发射器与接收器以获取充分测量数据，但这会带来较高的成本和部署复杂度。减少发射器数量虽具有重要实际意义，但会导致测量信息严重不足，使问题更加病态，从而显著增加重建难度。

现有方法在该设定下面临明显局限：基于物理的数值方法^[1-4]在数据不足时难以获得可靠结果；结合机器学习的方法^[5,6]通常依赖初始反演，难以纠正其误差；而基于优化的方法^[7]需要逐样本优化，即使收敛也可能偏离真实解，难以应对单发射器等极端稀疏场景。

针对上述问题，我们提出一种完全端到端的数据驱动框架，直接从测量场预测相对介电常数，并利用数据分布先验弥补物理信息的缺失。该方法无需依赖传统反演算法，通过前向推理即可实现高效、稳定的重建。在多个基准数据集上的实验表明，该方法在精度与鲁棒性上均优于现有方法，尤其在单发射器设定下实现了以往方法无法达到的高质量重建。

图2：基于端到端数据驱动框架的电磁逆散射重建。

针对传统电磁逆散射方法在发射器数量有限、尤其是单发射器条件下面临的信息不足问题，我们提出了一种完全端到端的数据驱动框架。该方法直接以测量得到的电磁散射场作为输入，前向预测目标区域内的相对介电常数分布，从而实现对物体内部结构的高质量重建。

与依赖复杂物理建模或逐步反演的方法不同，我们的模型通过在多种散射场景上的训练，有效学习散射场与介电常数之间的映射关系，从而引入数据分布先验，以弥补由于测量信息不足带来的物理信息缺失。

我们采用一个简单而高效的神经网络模型（MLP），用于直接学习电磁逆散射问题这一复杂的非线性映射关系。输入包括空间位置，对应的电磁散射测量信号，模型会对每一个位置进行预测，输出该位置的介电常数。通过在整个区域上逐点预测，最终可以恢复出完整的内部结构分布。

这种设计延续了连续场表示的优势：一方面避免了传统离散网格分辨率受限的问题，另一方面也使模型能够更自然地适配不同尺度和不同采样密度下的重建任务。

我们首先在多发射器设置下，将所提出的方法与已有方法进行比较，并在合成数据集 MNIST^[8]，Circular^[7]与真实数据集 IF^[9]上进行全面评估。如表1上半部分所示，我们的方法在大多数情况下均取得了与 SOTA 方法^[5,6,7]相当或更优的性能。这一结果说明，所提出的端到端框架能够有效学习不同数据域中的结构规律，并充分利用数据先验来提升重建质量。

我们进一步研究了一个极具挑战性且具有重要实际意义的设定，即在极少发射器条件下进行电磁逆散射。具体而言，我们考虑最极端的情况——仅使用单个发射器。如表1下半部分所示，在所有数据集和不同噪声水平下，我们的方法均显著优于现有方法。在如此受限的条件下仍能取得优异性能，充分说明了所提出端到端框架的有效性，其能够编码并利用丰富的数据先验，从而在多种场景中实现最先进的重建性能。

表1：与其他方法在合成数据集与真实数据集上的对比。

下面展示了我们在多发射器与单发射器两种设置下的定性重建结果，可以看到，无论是在常规多发射器条件，还是在信息极度受限的单发射器场景中，我们的方法都能够稳定恢复出结构清晰、边界准确、细节完整的相对介电常数分布。

尤其是在单发射器设置下，现有方法往往会出现明显的结构缺失或错误预测，而我们的方法依然能够较好保持目标形状与内部细节的一致性，进一步体现了其优异的重建质量与鲁棒性。更多可视化结果及完整对比请参考论文和项目主页。

图3：与其他方法在多发射器设置下的定性对比。

图4：与其他方法在单发射器设置下的定性对比。

图5：单发射器设置下的 3D 重建定性对比。

在本工作中，我们提出了一种完全端到端的数据驱动框架，用于电磁逆散射问题，可直接从散射场测量中预测相对介电常数。通过利用数据分布先验来弥补物理信息不足带来的影响，我们的方法在重建精度与鲁棒性方面达到了当前最先进水平，尤其是在极具挑战性的单发射器场景下表现突出，而现有方法在该条件下往往难以有效工作。该工作表明，数据驱动方法有潜力克服逆问题的病态性，并为实现低成本电磁成像提供了一条可行路径。

当然，我们的方法仍然存在一定局限。例如，在细薄结构的精细重建上，当前模型仍有进一步提升空间；同时，现阶段方法尚不能很好适应发射器或接收器位置发生变化的情况。这也为未来研究指明了重要方向：如何进一步提升细节表达能力，并实现对复杂、多变实际场景的泛化能力。

论文视频介绍：

[1] Kamal Belkebir, Patrick C Chaumet, and Anne Sentenac. Superresolution in total internal reflection tomography. Journal of the Optical Society of America A, 2005.

[2] Xudong Chen. Subspace-based optimization method for solving inverse-scattering problems. IEEE Transactions on Geoscience and Remote Sensing, 2009.

[3] M. Slaney, A.C. Kak, and L.E. Larsen. Limitations of imaging with first-order diffraction tomography. IEEE Transactions on Microwave Theory and Techniques, 1984.

[4] Yu Zhong and Xudong Chen. An fft twofold subspace-based optimization method for solving electromagnetic inverse scattering problems. IEEE Transactions on Antennas and Propagation, 2011.

[5] Rencheng Song, Youyou Huang, Kuiwen Xu, Xiuzhu Ye, Chang Li, and Xun Chen. Electromagnetic inverse scattering with perceptual generative adversarial networks. IEEE Transactions on Computational Imaging, 2021.

[6] Zicheng Liu, Mayank Roy, Dilip K Prasad, and Krishna Agarwal. Physics-guided loss functions improve deep learning performance in inverse scattering. IEEE Transactions on Computational Imaging, 2022.

[7] Ziyuan Luo, Boxin Shi, Haoliang Li, and Renjie Wan. Imaging interiors: An implicit solution to electromagnetic inverse scattering problems. In ECCV, 2024.

[8] Li Deng. The mnist database of handwritten digit images for machine learning research. IEEE Signal Processing Magazine, 29(6):141–142, 2012.

[9] Jean-Michel Geffrin, Pierre Sabouroux, and Christelle Eyraud. Free space experimental scattering database continuation: experimental set-up and measurement precision. Inverse Problems, 21(6):S117–S130, 2005.

图文 | 程一哲

Computer Vision and Digital Art (CVDA)