論文の概要: Generalizable Neural Electromagnetic Inverse Scattering

• arxiv url: http://arxiv.org/abs/2506.21349v1
• Date: Thu, 26 Jun 2025 15:02:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:10.147583
• Title: Generalizable Neural Electromagnetic Inverse Scattering
• Title（参考訳）: 一般化可能なニューラル電磁逆散乱
• Authors: Yizhe Cheng, Chunxun Tian, Haoru Wang, Wentao Zhu, Xiaoxuan Ma, Yizhou Wang,
• Abstract要約: EISP(Electrontic Inverse Scattering Problems)の解決は、医用画像などの応用において基礎となる。 我々はEISPを物理インフォームドの観点から再検討し、2段階の逆透過散乱プロセスとして再検討する。 本稿では、現在の推定器と誘電率解決器を組み合わせた、EISPのための最初の一般化可能な物理駆動型フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 14.57298958010568
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Solving Electromagnetic Inverse Scattering Problems (EISP) is fundamental in applications such as medical imaging, where the goal is to reconstruct the relative permittivity from scattered electromagnetic field. This inverse process is inherently ill-posed and highly nonlinear, making it particularly challenging. A recent machine learning-based approach, Img-Interiors, shows promising results by leveraging continuous implicit functions. However, it requires case-specific optimization, lacks generalization to unseen data, and fails under sparse transmitter setups (e.g., with only one transmitter). To address these limitations, we revisit EISP from a physics-informed perspective, reformulating it as a two stage inverse transmission-scattering process. This formulation reveals the induced current as a generalizable intermediate representation, effectively decoupling the nonlinear scattering process from the ill-posed inverse problem. Built on this insight, we propose the first generalizable physics-driven framework for EISP, comprising a current estimator and a permittivity solver, working in an end-to-end manner. The current estimator explicitly learns the induced current as a physical bridge between the incident and scattered field, while the permittivity solver computes the relative permittivity directly from the estimated induced current. This design enables data-driven training and generalizable feed-forward prediction of relative permittivity on unseen data while maintaining strong robustness to transmitter sparsity. Extensive experiments show that our method outperforms state-of-the-art approaches in reconstruction accuracy, generalization, and robustness. This work offers a fundamentally new perspective on electromagnetic inverse scattering and represents a major step toward cost-effective practical solutions for electromagnetic imaging.
• Abstract（参考訳）: EISP(Electromagnetic Inverse Scattering Problems)の解決は、医用画像などの応用において基本的であり、その目的は散乱する電磁場から相対誘電率を再構築することである。 この逆過程は本質的に不適切であり、非常に非線形であり、特に困難である。 最近の機械学習ベースのアプローチであるImg-Interiorsは、連続的な暗黙の関数を活用することで、有望な結果を示す。 しかし、ケース固有の最適化が必要であり、不明なデータへの一般化が欠如しており、スパース送信機(例えば1つの送信機しか持たない)のセットアップで失敗する。 これらの制約に対処するため、物理学的インフォームドの観点からEISPを再検討し、2段階の逆透過散乱プロセスとして再検討する。 この定式化は誘導電流を一般化可能な中間表現として明らかにし、非線形散乱過程を不正な逆問題から効果的に分離する。 この知見に基づいて、我々は、現在の推定器と誘電率解決器からなる、EISPのための初の一般化可能な物理駆動フレームワークを提案し、エンドツーエンドで作業する。 電流推定器は、インシデントと散乱体との間の物理的ブリッジとして誘導電流を明示的に学習し、誘電率ソルバは推定された誘導電流から直接相対誘電率を算出する。 この設計により、送信機間隔に対する強い堅牢性を保ちながら、データ駆動トレーニングと、目に見えないデータに対する相対誘電率の一般化可能なフィードフォワード予測が可能となる。 大規模な実験により,本手法は再構築精度,一般化,堅牢性において最先端の手法より優れていることが示された。 この研究は、電磁逆散乱に関する根本的に新しい視点を提供し、電磁イメージングのための費用対効果の実用的な解決策に向けた大きな一歩である。

関連論文リスト

• RadioDiff-$k^2$: Helmholtz Equation Informed Generative Diffusion Model for Multi-Path Aware Radio Map Construction [69.96295462931168]
  物理インフォームド・ジェネレーティブ・ラーニング・アプローチであるRadioDiff-$bmk2$を提案する。 我々は,無線伝搬に影響を与える臨界空間特性に対応するEM特異点と,ヘルムホルツ方程式の負波数で定義される領域との直接対応を確立する。
  論文  参考訳（メタデータ） (2025-04-22T06:28:13Z)
• CPFI-EIT: A CNN-PINN Framework for Full-Inverse Electrical Impedance Tomography on Non-Smooth Conductivity Distributions [0.0]
  畳み込みニューラルネットワーク(CNN)と物理情報ニューラルネットワーク(PINN)を組み合わせたハイブリッド学習フレームワークを導入する。 EITは、注入電流による境界電圧測定に基づいて内部伝導度の空間分布を再構成する非侵襲イメージング技術である。
  論文  参考訳（メタデータ） (2024-12-10T10:48:43Z)
• Imaging Interiors: An Implicit Solution to Electromagnetic Inverse Scattering Problems [74.28677741399966]
  EISP(Electromagnetic Inverse Scattering Problems)は、計算画像に広く応用されている。 本稿では,EISPにおけるこれらの課題に,暗黙のアプローチで対処する。 我々のアプローチは、標準ベンチマークデータセットにおける既存のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2024-07-12T15:25:54Z)
• DeltaPhi: Learning Physical Trajectory Residual for PDE Solving [54.13671100638092]
  我々は,物理軌道残差学習(DeltaPhi)を提案し,定式化する。 既存のニューラル演算子ネットワークに基づく残差演算子マッピングのサロゲートモデルについて学習する。 直接学習と比較して,PDEの解法には物理残差学習が望ましいと結論づける。
  論文  参考訳（メタデータ） (2024-06-14T07:45:07Z)
• Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
  提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。 大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T14:30:06Z)
• Learning Functional Transduction [9.926231893220063]
  そこで本研究では,トランスダクティブ回帰の原理を勾配降下によりメタ学習し,より効率的なインコンテキスト・ニューラル近似器を構築できることを示す。 我々は、データが少ない外部要因の影響を受け、複雑な物理システムをモデル化するためのメタ学習型トランスダクティブアプローチの利点を実証する。
  論文  参考訳（メタデータ） (2023-02-01T09:14:28Z)
• Transformer Meets Boundary Value Inverse Problems [4.165221477234755]
  変圧器を用いた深部直接サンプリング法は境界値逆問題のクラスを解くために提案される。 慎重に設計されたデータと再構成された画像の間に学習した逆演算子を評価することにより、リアルタイムな再構成を実現する。
  論文  参考訳（メタデータ） (2022-09-29T17:45:25Z)
• Extension of Dynamic Mode Decomposition for dynamic systems with incomplete information based on t-model of optimal prediction [69.81996031777717]
  動的モード分解は、動的データを研究するための非常に効率的な手法であることが証明された。 このアプローチの適用は、利用可能なデータが不完全である場合に問題となる。 本稿では,森-Zwanzig分解の1次近似を考察し,対応する最適化問題を記述し,勾配に基づく最適化法を用いて解く。
  論文  参考訳（メタデータ） (2022-02-23T11:23:59Z)
• Quantum thermoelectric transmission functions with minimal current fluctuations [0.0]
  熱力学的不確実性関係(TURs)は非平衡物理学のベンチマーク結果を表す。 熱電デバイスの信頼性を最大化する伝達関数は,ボックスカー関数の集合であることを示す。 これにより、温度や化学的ポテンシャル勾配に応じて、TURが任意に大量に違反できることが示される。
  論文  参考訳（メタデータ） (2021-06-18T16:18:19Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。