基于自注意力增强生成对抗网络（GAN-SA）的双轴各向异性目标电磁成像

《Electronics》：GAN with Self-Attention for Electromagnetic Imaging of Biaxial Objects

　　

研究人员研究了各向异性目标（anisotropic objects）的电磁成像（electromagnetic imaging），采用基于深度学习（deep learning）的框架并结合自注意力（Self-Attention, SA）机制。在该工作中，各向异性散射体由横磁（Transverse Magnetic, TM）和横电（Transverse Electric, TE）极化电磁波激励，并测量所得散射响应以重建目标的电磁图像。实施反向传播方案（Back Propagation Scheme, BPS）以生成介电分布的首轮重建结果。与研究人员此前关于单轴目标的工作不同，本研究将BPS公式扩展至双轴各向异性介质（biaxial anisotropic media），从而能够独立重建沿x、y和z方向的介电常数分量（permittivity components）。随后，通过带自注意力的生成对抗网络（Generative Adversarial Network with Self-Attention, GAN-SA）操作对重建得到的粗略剖面进行细化。与传统GAN方法不同，所提出框架增强了不同空间区域间的特征相关性，使网络能够更有效地保留对象边界和介电变化。在5%和20%高斯噪声（Gaussian noise）下的仿真结果表明，所提出框架实现了更好的重建质量、更高的图像清晰度以及更强的抗噪声干扰能力。此外，SA模块的集成显著改善了各向异性介电特性的重建，同时减少了重建伪影（reconstruction artifacts）。所提出GAN-SA模型包含约520万个可训练参数（trainable parameters），训练约需20 min，每次重建的推理时间（inference time）小于1 s。这些结果证明了所提出框架用于双轴各向异性电磁成像的有效性和计算效率。

论文主体解读：电磁成像（electromagnetic imaging）作为一种非侵入式传感手段，可利用入射电磁场照射目标并从测量的散射响应中提取目标几何、材料属性与空间位置等信息，在生物医学成像、地下探测、遥感和医学诊断等领域具有应用价值。然而，逆散射问题（Inverse Scattering Problem, ISP）仍面临弱穿透深度导致低信噪比（Signal-To-Noise Ratio, SNR）、电磁波与目标之间强非线性相互作用、反问题病态、高维参数空间、优化过程昂贵以及对参数选择敏感等困难。传统迭代优化方法通常计算资源需求大、处理时间长。已有研究将U-Net类方法和生成对抗网络（Generative Adversarial Network, GAN）用于电磁逆散射，Chiu在2025年提出将BPS与GAN-SA结合用于单轴对象，并通过自注意力（Self-Attention, SA）提升特征提取和重建质量。与单轴情形不同，双轴各向异性（biaxial anisotropy）需要独立重建x、y、z方向的介电常数分量，TE极化下x、y方向场分量相互耦合，横向介电常数未知数增加，反问题更复杂；且所提方法不依赖特定入射角选择。因此，研究人员开展双轴各向异性目标的电磁成像研究，将BPS扩展至双轴介质以生成物理初始估计，再用GAN-SA细化，并与常规GAN在不同介电常数和噪声条件下比较。结论表明，GAN-SA重建质量更高、图像更清晰、抗噪能力更强、伪影更少，且计算效率较高。该研究的重要意义在于首次将BPS初始估计与含SA的GAN结合用于双轴各向异性目标重建，实现更准确、稳健且近实时的电磁成像。

关键技术方法概括：研究人员采用TM和TE极化波激励目标，以矩量法（Method of Moments, MoM）离散正问题并获取散射场；用BPS由散射测量反传获得各向异性介电分布初估，作为GAN-SA输入。GAN-SA生成器为编码器—解码器卷积网络，输出端集成SA模块，判别器为卷积网络；以对抗损失和重建误差联合训练，ADAM初始步长0.002、45个epoch后降至0.0002、动量0.99、mini-batch 16、最多90个epoch。数据为仿真生成：每个设置10种介电分布×50个位置=500样本，按80%/20%划分训练与测试；4.3使用MNIST手写数据。加5%和20%高斯噪声，用均方根误差（Root Mean Square Error, RMSE）和结构相似性（Structural Similarity, SSIM）评价。无临床或实验队列来源。

研究结果：4.1 相对介电常数1.0至1.5的各向异性目标重建。通过将BPS初估输入GAN和GAN-SA，并在5%与20%噪声下比较，得出GAN-SA在5%噪声下重建图像比GAN更清晰；20%噪声下仍能重建较清晰图像；GAN-SA较GAN降低RMSE 45.4%、提高SSIM 5.16%，尤其在z和y方向表现更优。4.2 相对介电常数1.5至2的各向异性目标重建。训练与测试数据集同4.1，通过BPS初估后输入带与不带SA的GAN模型，并在5%和20%噪声下比较，得出5%噪声下GAN-SA整体轮廓和细节更准确，20%噪声下仍能重建清晰图像结构。4.3 相对介电常数2至2.5的各向异性目标重建。在5%噪声下使用MNIST手写数据，并比较对比源反演（Contrast Source Inversion, CSI）20次迭代、U-Net、常规GAN、带通道注意力的GAN（GAN-CA）与GAN-SA，得出深度学习方法较CSI重建更清晰；CSI受强非线性和非凸性、多局部极值、对初始估计敏感以及TE极化下需同时重建两个介电常数分量导致未知数增加和病态性增强等因素限制；GAN-SA更好保留整体对象结构和介电分布。5%噪声下GAN-SA平均RMSE为8.17%、平均SSIM为94.48%，优于GAN的9.03%和91.94%以及GAN-CA的10.45%和91.55%；20%噪声下GAN、GAN-CA、GAN-SA平均RMSE分别为20.17%、12.08%、9.27%，平均SSIM分别为76.49%、86.02%、89.17%，表明注意力机制提高高噪声稳健性，GAN-SA整体重建精度和结构保持最佳。计算效率方面，常规GAN训练约17 min，GAN-SA约20 min，模型约含5.2×10⁶个可训练参数，单样本推理时间小于1 s。

讨论部分总结：所提框架的主要优势在于将基于物理的BPS初始化与GAN-SA非线性重建能力结合。BPS提供各向异性介电分布初始估计，SA机制使网络捕获长程空间相关性并更好保留结构和介电信息。与CSI、U-Net和常规GAN相比，GAN-SA提高重建精度，并在噪声增加时保持满意性能；推理时间低于1 s，说明改进重建性能未牺牲计算效率。

研究结论翻译：本文提出一种用于解决各向异性目标电磁成像问题的新型GAN-SA框架。在该方法中，TM和TE波分别入射到各向异性目标，并采集相应散射场。由BPS获得的介电常数分布初步估计随后作为GAN-SA和GAN模型的输入进行重建和对比分析。数值仿真结果表明，在相同噪声条件和参数设置下，GAN-SA比GAN获得更准确的重建结果。此外，由于介电常数以张量形式表示，重建任务更具挑战性。BPS方法提供简单的介电常数分布初始估计，而GAN-SA有效增强学习能力并获得满意的重建性能。在未来的工作中，人工智能有望在电磁成像领域展现更大潜力。例如，可实施轻量级神经网络架构，或将散射体离散为更细的单元以实现更高分辨率图像重建。此外，将进一步研究SA模块在生成器中不同位置（如编码器、解码器和瓶颈层）的影响，以及其他注意力机制（如通道注意力），以优化网络架构并提高重建性能。