[论文解读] Qualitative reconstruction methods for imaging interior Robin interfaces in EIT from Robin-to-Dirichlet data

Rafael Ceja Ayala, Malena I. Español+1 more|arXiv (Cornell University)|Jan 15, 2026

Electrical and Bioimpedance Tomography被引用 0

一句话总结

本论文开发了两种定性、非迭代重建方法（LSM 和 RFM），用于使用 Robin-Dirichlet 数据在电阻抗层析成像（EIT）中定位内部 Robin 边界，给出理论保证并进行数值验证。

ABSTRACT

We consider an inverse shape problem arising in electrical impedance tomography (EIT) for nondestructive testing, in which interior defects are modeled through Robin transmission conditions. Unlike classical formulations, we impose Robin boundary conditions on both the exterior measurement surface and the interior interface, and use the Robin-to-Dirichlet (RtD) map as the available data. Within this setting, we develop qualitative (non-iterative) reconstruction methods based on the Linear Sampling Method (LSM) and the Regularized Factorization Method (RFM), and derive new analytical characterizations that enable these methods to identify interior regions. We further propose a numerical implementation that incorporates regularization strategies and demonstrate, through experiments, that the methods reliably reconstruct interior regions of interest.

研究动机与目标

• 推动将内部缺陷建模为 Robin 传输条件的非破坏性检测应用。
• 在外部表面和内部界面上以 Robin-Dirichlet 映射形式提出反问题的几何形状。
• 开发非迭代、定性重建方法，从边界数据中识别内部区域。
• 提供解析结果证明内部区域的唯一确定性并实现鲁棒的数值方案。

提出的方法

• 在外部边界与内部界面都施加 Robin 边界条件，建立正问题与反问题。
• 将数据算子定义为 Robin-Dirichlet 映射在有内部区域与无内部区域之间的差值 (M - M0)。
• 推导第一重因式分解 (M - M0) = G S，以实现 Linear Sampling Method (LSM) 的分析。
• 推导更对称的因式分解 (M - M0) = S* T S，以实现 Regularized Factorization Method (RFM)。
• 引入并分析 Robin 格林函数 G(., z) 以测试采样点。
• 提出并分析用于 LSM 与 RFM 的成像泛函，采用正则化方案（谱截断、Tikhonov、TTLS），并展示在 D 内外的二项式行为。

实验结果

研究问题

• RQ1 Robin-Dirichlet 数据是否可以唯一确定内部 Robin 边界的位置和形状？
• RQ2 如何将 LSM 与 RFM 适配到 Robin-Dirichlet 框架，从边界测量重建内部区域？
• RQ3 相关算子具有什么解析性质（单射性、稠密定义域、紧性）以支持定性重建？
• RQ4 如何在此情形中使用正则化来鲁棒地实现 LSM 与 RFM？
• RQ5 二维数值实验是否验证所 proposed 的内部界面重建方法？

主要发现

• RtD 映射差 (M - M0) 在 Robin 传输条件下能唯一确定内部区域的位置和形状。
• 通过 (M - M0) 的算子分解将 LSM 与 Robin-Dirichlet 设置相适配，并得到具有二值行为的成像泛函。
• 第一重分解 (M - M0) = G S 将边界数据与跨 ∂D 的内部跳跃连接，支持对采样点的 LSM 测试。
• 对称分解 (M - M0) = S* T S 使 RFM 能提供更鲁棒的 D 重建。
• 论文证明了 S 与 G 的单射性，并显示 S 的稠密值域，支持方法的理论基础。
• 单位圆中的数值实验验证了理论成像泛函，并展示了内部区域的可靠重建。