論文の概要: Physics-Informed Deep Contrast Source Inversion: A Unified Framework for Inverse Scattering Problems
- arxiv url: http://arxiv.org/abs/2508.10555v1
- Date: Thu, 14 Aug 2025 11:50:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-15 22:24:48.292033
- Title: Physics-Informed Deep Contrast Source Inversion: A Unified Framework for Inverse Scattering Problems
- Title（参考訳）: 物理インフォームド深部コントラスト源インバージョン:逆散乱問題の統一フレームワーク
- Authors: Haoran Sun, Daoqi Liu, Hongyu Zhou, Maokun Li, Shenheng Xu, Fan Yang,
- Abstract要約: 本稿では,高速かつ高精度な媒体再構成のための物理インフォームド・ディープコントラスト・ソース・インバージョン・フレームワーク(DeepCSI)を提案する。
コントラスト源インバージョン(CSI)とニューラル演算子法にインスパイアされた残留多層パーセプトロン(ResMLP)は、電流分布をモデル化するために用いられる。
DeepCSIは、完全データ、位相なしデータ、多周波条件下で、高精度で堅牢な再構成を実現する。
- 参考スコア（独自算出の注目度）: 23.533153154632082
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inverse scattering problems are critical in electromagnetic imaging and medical diagnostics but are challenged by their nonlinearity and diverse measurement scenarios. This paper proposes a physics-informed deep contrast source inversion framework (DeepCSI) for fast and accurate medium reconstruction across various measurement conditions. Inspired by contrast source inversion (CSI) and neural operator methods, a residual multilayer perceptron (ResMLP) is employed to model current distributions in the region of interest under different transmitter excitations, effectively linearizing the nonlinear inverse scattering problem and significantly reducing the computational cost of traditional full-waveform inversion. By modeling medium parameters as learnable tensors and utilizing a hybrid loss function that integrates state equation loss, data equation loss, and total variation regularization, DeepCSI establishes a fully differentiable framework for joint optimization of network parameters and medium properties. Compared with conventional methods, DeepCSI offers advantages in terms of simplicity and universal modeling capabilities for diverse measurement scenarios, including phase-less and multi-frequency observation. Simulations and experiments demonstrate that DeepCSI achieves high-precision, robust reconstruction under full-data, phaseless data, and multifrequency conditions, outperforming traditional CSI methods and providing an efficient and universal solution for complex inverse scattering problems.
- Abstract（参考訳）: 逆散乱問題は、電磁波イメージングや医学診断において重要であるが、その非線形性や様々な測定シナリオによって問題視されている。
本稿では,物理インフォームド・ディープコントラスト・ソース・インバージョン・フレームワーク(DeepCSI)を提案する。
コントラスト源インバージョン(CSI)とニューラル演算子法にインスパイアされた残留多層パーセプトロン(ResMLP)は、異なる送信機励起の下での関心領域の電流分布をモデル化し、非線形逆散乱問題を効果的に線形化し、従来のフルウェーブフォームインバージョンにおける計算コストを大幅に削減する。
学習可能なテンソルとして媒体パラメータをモデル化し、状態方程式損失、データ方程式損失、総変分正規化を統合するハイブリッド損失関数を利用することにより、DeepCSIはネットワークパラメータと媒体特性の結合最適化のための完全に微分可能なフレームワークを確立する。
従来の手法と比較して、DeepCSIは位相のない多周波観測を含む様々な測定シナリオに対して、単純さと普遍的なモデリング能力の利点を提供する。
シミュレーションと実験により、DeepCSIは完全データ、位相なしデータ、多周波条件下で高精度で堅牢な再構成を実現し、従来のCSI法より優れ、複雑な逆散乱問題に対する効率的で普遍的な解を提供することを示した。
関連論文リスト
- Physics-Driven Neural Network for Solving Electromagnetic Inverse Scattering Problems [7.564377962527698]
物理駆動型ニューラルネットワーク(PDNN)を用いた逆散乱問題(ISP)に対する新しい解法を提案する。
PDNNは、収集された散乱場の入力と予測された解に対応する散乱場の計算のみを訓練する。
提案手法は, 複合損失散乱器を用いた場合であっても, 復元精度が高く, 安定性が高いことを示す。
論文 参考訳（メタデータ） (2025-07-22T08:04:50Z) - A Residual Guided strategy with Generative Adversarial Networks in training Physics-Informed Transformer Networks [8.614387766858496]
本稿では,GAN(Generative Adrative Network)を用いた物理入力変換器の残留指導戦略を提案する。
我々のフレームワークはトランスフォーマーを統合し、自己回帰処理によって時間的相関を本質的にキャプチャし、残差認識GANと組み合わせる。
アレン=カーン=ゴルドン方程式とナヴィエ=ストークス方程式の実験は、ベースライン法と比較して3桁の相対的なMSEの減少を示す。
論文 参考訳（メタデータ） (2025-07-15T03:45:42Z) - Compressive Imaging Reconstruction via Tensor Decomposed Multi-Resolution Grid Encoding [50.54887630778593]
圧縮画像再構成(CI)は, 圧縮された低次元画像から高次元画像を復元することを目的としている。
既存の教師なし表現は、表現能力と効率の間の望ましいバランスを達成するのに苦労する。
本稿では,CI再構成のための非教師なし連続表現フレームワークである分割多重解像度グリッド符号化(GridTD)を提案する。
論文 参考訳（メタデータ） (2025-07-10T12:36:20Z) - Amortized Posterior Sampling with Diffusion Prior Distillation [55.03585818289934]
Amortized Posterior Smplingは、逆問題における効率的な後方サンプリングのための新しい変分推論手法である。
本手法は,拡散モデルにより暗黙的に定義された変動分布と後続分布とのばらつきを最小限に抑えるために条件付き流れモデルを訓練する。
既存の手法とは異なり、我々のアプローチは教師なしであり、ペア化されたトレーニングデータを必要としておらず、ユークリッドと非ユークリッドの両方のドメインに適用できる。
論文 参考訳（メタデータ） (2024-07-25T09:53:12Z) - VBIM-Net: Variational Born Iterative Network for Inverse Scattering Problems [9.425567496713366]
フルウェーブ逆散乱問題の解法として,新しい変分ボルン反復ネットワーク,すなわちV BIM-Netを提案する。
提案したV BIM-Netは変動ボルン反復法における全電界とコントラストの交互更新をエミュレートする。
論文 参考訳（メタデータ） (2024-05-29T03:21:09Z) - Physics-Inspired Degradation Models for Hyperspectral Image Fusion [61.743696362028246]
ほとんどの融合法は、融合アルゴリズム自体にのみ焦点をあて、分解モデルを見落としている。
我々は、LR-HSIとHR-MSIの劣化をモデル化するための物理インスパイアされた劣化モデル(PIDM)を提案する。
提案したPIDMは,既存の核融合法における核融合性能を向上させることができる。
論文 参考訳（メタデータ） (2024-02-04T09:07:28Z) - Neural network analysis of neutron and X-ray reflectivity data:
Incorporating prior knowledge for tackling the phase problem [141.5628276096321]
本稿では,事前知識を利用して,より大規模なパラメータ空間上でのトレーニングプロセスを標準化する手法を提案する。
ボックスモデルパラメータ化を用いた多層構造を含む様々なシナリオにおいて,本手法の有効性を示す。
従来の手法とは対照的に,逆問題の複雑性を増大させると,我々の手法は好適にスケールする。
論文 参考訳（メタデータ） (2023-06-28T11:15:53Z) - Implicit Stochastic Gradient Descent for Training Physics-informed
Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。
PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。
本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文 参考訳（メタデータ） (2023-03-03T08:17:47Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳（メタデータ） (2021-06-03T00:02:05Z)
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。