摘要
本文提出了一种新的多频率扩展深度学习模型，用于在层状介质中横磁波入射条件下的电磁图像重建。该模型的设计灵感来源于传统的微波成像技术，这类技术通过结合非线性反演算法与神经网络来提升重建质量。所提出的框架采用两阶段神经网络架构：在第一阶段，使用深度残差卷积神经网络从单频率输入数据中推断出多频率散射场，从而为重建提供更丰富的频率依赖性散射信息；随后，这些推断出的多频率散射场被输入到深度卷积编码器-解码器网络中，以精确重建成像区域内的介电常数分布。为验证该方法的有效性，本文对比了两种典型的方法：（1）将反向传播算法与卷积神经网络相结合的混合框架，以及（2）将主导电流算法与卷积神经网络相结合的框架。在这两种方法中，首先都使用传统反演算法生成初步重建结果，再由神经网络对其进行优化。数值模拟和实验结果表明，所提出的多频率扩展模型相比参考方法具有更低的重建误差和更高的结构相似度。这些结果证明了该框架在先进电磁成像应用中的有效性和潜力。
