全同时近端交替最小化方法用于逆介质散射问题

《Journal of Computational Physics》：All-at-once proximal alternating minimization method for an inverse medium scattering problem

　　

本文提出了一种全同时近端交替最小化（AAO-PAM）方法，用于求解亥姆霍兹方程（Helmholtz equation）的二维（2D）逆介质散射问题（inverse medium scattering problem, IMSP）。该IMSP旨在从有限入射方向但单一频率的散射波测量中，重建代表介质折射率的空间变化系数。研究人员提出的方法通过最小化一个全同时（AAO）目标函数来同时求解系数和波函数，并使用近端交替最小化（PAM）算法进行求解。利用AAO目标函数的双凸性（biconvexity），研究人员证明所提算法全局收敛到一个纳什点（Nash point）。同时证明了算法的收敛速率。数值算例表明，所提方法无需从良好初始猜测出发即可找到复杂空间变化系数的良好近似。研究人员还提出了一种两步混合方法，将AAO-PAM算法与最小二乘最小化（least-squares minimization）算法相结合，以提高重建精度。该混合方法无需良好初始猜测即可高精度重建复杂形状。

**论文解读文章**

**研究背景与问题**

逆散射理论在探地雷达（ground penetrating radar, GPR）、微波成像、超声成像和地震成像等关键技术中扮演核心角色，广泛应用于地下探测、医疗成像和地球物理勘探等领域。特别是微波成像在脑卒中（brain stroke）诊断中展现出潜力，可提供安全、便携且成本低廉的成像技术。本文关注的是二维（2D）逆介质散射问题（inverse medium scattering problem, IMSP），该问题旨在通过波与不均匀介质的相互作用来确定介质属性。数学上，不均匀介质由空间变化系数（如折射率或介电常数）表示，通过有限个入射波激发的散射波测量来重建该系数。现有方法中，Born近似（Born approximation）线性化问题但仅适用于弱散射场景；迭代非线性最小二乘（nonlinear least-squares）方法（如失真波恩迭代法、牛顿-康托罗维奇法、修正梯度法、对比源反演法）通常需要良好的初始猜测。为克服此限制，频率跳跃（frequency-hopping）算法（如递归线性化）和凸化（convexification）方法（基于卡尔曼权函数）已被研究，但各有局限性。因此，研究人员提出了一种无需良好初始猜测的全局收敛方法。

**研究内容与结论**

研究人员提出了一种全同时近端交替最小化（all-at-once proximal alternating minimization, AAO-PAM）方法，用于求解2D IMSP。该方法将逆问题转化为优化问题，同时估计空间变化系数和波函数。通过利用目标函数的双凸性（biconvexity），研究人员证明了AAO-PAM算法全局收敛到一个纳什点（Nash point），并给出了收敛速率。数值算例表明，该方法即使从不良初始猜测（如常数2）出发，也能对复杂形状（如字母A、蝴蝶形状、Ω形状）进行合理重建。为进一步提高精度，研究人员还提出了一种两步混合方法，先用AAO-PAM得到近似解，再用最小二乘最小化（least-squares minimization）算法精细优化。该混合方法实现了高精度重建，且无需良好初始猜测。实验还探讨了参数（如测量位置数、测量半径、有限孔径）和初始猜测的影响，显示算法对初始猜测具有鲁棒性（当ε₀为1.2或7时结果一致，但ε₀=1时失败）。论文发表在《Journal of Computational Physics》。

**主要关键技术方法**

1. **全同时（AAO）优化框架**：将IMSP转化为同时求解系数Q（即ε-1）和波函数U_p的优化问题，目标函数包含模型数据残差、离散前向方程（Lippmann-Schwinger积分方程）残差以及正则化项。
2. **近端交替最小化（PAM）算法**：利用目标函数的双凸性，交替更新系数Q和波函数U_p，每次更新时加入近端项以保证收敛性。更新U_p时可并行计算。
3. **离散Lippmann-Schwinger方程与快速傅里叶变换（fast Fourier transform, FFT）**：基于离散格林函数（Green's function）求解前向问题，利用FFT加速卷积计算，避免弱奇异性。
4. **收敛性分析**：基于Kurdyka-?ojasiewicz（KL）性质，证明了序列全局收敛到纳什点，并给出了随KL指数变化的收敛速率（线性或次线性）。
5. **两步混合方法**：先执行AAO-PAM算法获得系数近似，再将其作为初始猜测用于最小二乘最小化算法，结合了AAO的全局收敛性与最小二乘的局部快速收敛性。

**研究结果**

**Example 1: 字母A形状系数**
通过AAO-PAM算法，重建捕捉了字母A的总体区域，但对比度不精确，外部系数偏高。单独最小二乘方法（least-squares method）从相同初始猜测出发未能重建有效信息。两步混合算法（Algorithm 3）显著改善了对比度和形状清晰度，边界和中心间隙清晰可辨。相对误差从AAO-PAM的21.45%降至两步法的6.7%，而单独最小二乘法误差达183.9%。

**Example 2: 蝴蝶形状系数**
AAO-PAM重建了蝴蝶的总体形状，但边界模糊且出现点状聚集。单独最小二乘法完全无法近似形状。两步法使边界更清晰，给出蝴蝶翅膀的锐利轮廓。相对误差从17.7%降至7.5%，单独最小二乘法误差129%。

**Example 3: Ω形状系数**
AAO-PAM较好地重建了Ω形状，尤其腿部清晰。单独最小二乘法仅在中心区域略有迹象。两步法表现极佳，边界锐利且中心间隙清晰。误差从19.2%降至8.3%，单独最小二乘法误差195%。参数影响实验表明：减少测量位置（10个）或使用有限孔径（仅上半圆）时，AAO-PAM精度下降，但两步法仍能输出清晰形状；增加测量半径（半径为10）结果与基准相当。初始猜测实验显示，ε₀=1.2和ε₀=7时结果与ε₀=2一致，但ε₀=1时算法失败，表明算法对初始猜测鲁棒但存在下限。

**Example 4: 两个不同对比度物体**
区域包含字母A（ε=2.5）和Ω（ε=3.75）。AAO-PAM捕捉了Ω的总体形状和部分字母A。两步法强重建了Ω，字母A靠近Ω的部分可见，但另一侧较弱。误差从25.56%降至13.76%，单独最小二乘法误差233.32%。

**Example 5: 大域内空间变化系数**
系数为两个分离的、空间变化对比度的物体（由高斯函数定义），波数κ=3π，域为[-1,1]²。AAO-PAM重建了两个分离区域，但对比度不精确。两步法显著改进，沿垂直中心线的横截面定量显示了两步法的高精度。相对误差从21%降至5.9%，单独最小二乘法误差181%。

**讨论与结论**

研究人员指出，理论分析可推广到三维（3D）情况，未来需分析计算成本和参数对重建精度的影响。论文结论部分翻译如下：
**结论**：本文开发了一种全同时交替最小化算法，用于求解2D IMSP。该算法基于离散Lippmann-Schwinger方程的高效求解，速度快且能收敛到系数的良好近似，无需像传统最小二乘法那样需要良好初始猜测。通过两步方法进一步改进了重建系数。数值算例验证了这些性质，表明从少量数据即可实现高精度重建。