[论文解读] Smart Rewritings of the Basic Equations for Quantitative Non-Linear Inverse Scattering

Martina T. Bevacqua, Tommaso Isernia|arXiv (Cornell University)|Dec 30, 2020

Microwave Imaging and Scattering Analysis参考文献 45被引用 20

一句话总结

本论文提出了Lippman-Schwinger方程的新型重写形式——即Y0、NIE与虚拟实验（VE）框架，以降低二维标量逆散射问题中的非线性程度，从而在无需先验信息的情况下实现更稳健的定量重建。混合方法Y0-NIE-CSI与VE-NIE-CSI在高对比度（χ=1.9）条件下，对复杂目标（如基于MNIST的散射体）实现了高精度成像，NMSE低至0.19，显著优于标准方法。

ABSTRACT

Nonlinearity arising from mutual interactions is one of the two main difficulties to be addressed in inverse scattering. In this paper, we review and describe under a common rationale some approaches which have been introduced in literature in order to counteract nonlinearity. In particular, we focus on possible rewritings of the Lippman Schwinger basic equation such to reduce the degree of nonlinearity of inverse scattering problem. In detail, three different rewritings are discussed and compared by emphasizing similarities and the differences, and in the same rewriting spirit, we also summarize and discuss the Virtual Experiments framework. Then, some possible joint exploitations of the above concepts are introduced, discussed and tested against numerical examples.

研究动机与目标

• 为解决在缺乏先验信息时，非线性在定量逆散射中常导致虚假解的问题。
• 通过Lippman-Schwinger方程的新型数学重写方式，降低逆散射问题的‘非线性程度’（DNL）。
• 将虚拟实验（VE）框架与先进积分方程模型相结合，以调节内部场并提高反演稳定性。
• 开发并测试混合反演方法——Y0-NIE-CSI与VE-NIE-CSI，整合多种策略以提升重建精度。

提出的方法

• 采用三种不同模型对Lippman-Schwinger方程进行重写：Y0、NIE（新积分方程）和CS-EB（对比源扩展Born），每种模型均通过改变对比函数χ的函数依赖关系来降低DNL。
• 提出虚拟实验（VE）框架，通过重新组织散射数据，生成聚焦的对比源或圆形对称场，从而有效实现反问题的局域化。
• 开发混合反演方法：Y0-NIE-CSI与VE-NIE-CSI，将Y0/NIE模型与CSI（对比源反演）优化框架相结合。
• 采用带惩罚项的代价函数以稳定收敛性并提升重建保真度，尤其在高对比度场景下表现更优。
• 使用非线性最小化算法求解反问题，通过共轭梯度法迭代更新辅助未知量（R与对比函数）。
• 利用二维标量TM问题的模拟数据对方法进行验证，包括一个对比度χ=1.9的MNIST数据集目标。

实验结果

研究问题

• RQ1 Lippman-Schwinger方程的替代数学重写形式是否能降低逆散射问题中的非线性程度？
• RQ2 在缺乏先验信息的情况下，虚拟实验（VE）框架如何通过调节内部场来提升反演鲁棒性？
• RQ3 结合Y0/NIE公式与VE框架的混合模型是否能显著提升高对比度目标的重建精度？
• RQ4 正则化与惩罚项对非线性逆散射中收敛性与重建质量有何影响？
• RQ5 所提出的Y0-NIE-CSI与VE-NIE-CSI方法相较于标准NIE-CSI在鲁棒性与精度方面表现如何？

主要发现

• Y0-NIE-CSI方法成功重建了χ=1.9的目标，对比函数的NMSE达到0.18，而标准NIE-CSI在相同条件下完全失效。
• VE-NIE-CSI方法在使用惩罚项时，对比函数的NMSE为0.19，不使用时为0.27，表明即使在高对比度且无先验信息条件下仍具鲁棒性。
• VE-NIE-CSI代价函数中引入惩罚项后，NMSE由0.27降至0.19，迭代次数由11,687次减少至1,178次，表明收敛性与稳定性显著提升。
• Y0模型相比标准公式表现出更低的DNL，使得在传统方法失效时仍能实现可靠重建。
• 混合方法Y0-NIE-CSI与VE-NIE-CSI在重建复杂高对比度目标方面优于标准NIE-CSI，证实了结合多种非线性降低策略的有效性。
• 结果表明，进一步融合这些框架可能带来更大改进，尤其当与先进正则化或机器学习技术结合时。