近日，中國科學院合肥物質院智能所王曉杰研究團隊提出了一種物理嵌入的雙學習成像框架（Physics-Embedded Dual-Learning Imaging Framework），系統性解決了電阻抗成像（EIT）中全逆問題難以通過物理信息神經網絡（PINN）穩定求解的關鍵難題。相關研究成果分別發表于 IEEE Signal Processing Letters?和 Neural Networks?兩本學術期刊。

電阻抗成像是一種通過邊界電流激勵與電壓測量來重建內部電導率分布的非侵入式成像技術，在醫學成像、多相流監測、柔性觸覺傳感等領域具有廣闊應用前景。但該技術屬于高度非線性、強病態的逆問題，傳統基于正則化的算法容易產生偽影，而近年來興起的物理信息神經網絡（PINN）方法雖然具備良好的物理一致性與可解釋性，卻在實際應用中長期受限于只能處理“半逆問題”、依賴理想化邊界條件及電導率光滑假設，難以推廣至真實場景。

針對上述瓶頸，該研究提出了一種融合監督學習與非監督學習的雙階段物理嵌入成像策略。該框架創新性地將成像過程解耦為兩個階段：首先利用結合物理預處理的卷積神經網絡（CNN）在現實可行的點電極激勵條件下預測內部離散電勢分布；隨后引入基于偏微分方程約束的 PINN，通過離散數值微分實現電導率反演。該設計不僅顯著降低了傳統 PINN 對光滑電導率假設的依賴，還將多正向網絡耦合訓練的問題簡化為單一正向網絡與單一逆向網絡，從根本上改進了訓練不穩定與收斂困難的EIT反演問題。

在系統實驗中，研究團隊在仿真與真實水槽實驗中對方法進行了充分驗證。結果表明，該框架在稀疏邊界測量、強噪聲、極端高對比度及非光滑電導率分布（如含尖角的三角形和正方形）等挑戰條件下，均表現出顯著優于傳統方法和現有 PINN 框架的重建性能。同時，研究還系統分析了不同邊界激勵頻率和噪聲水平對成像效果的影響，進一步證明了方法的魯棒性與工程可行性。

智能所博士研究生楊軒軒為論文第一作者，智能所王曉杰研究員為通訊作者。

文章鏈接：https://ieeexplore.ieee.org/abstract/document/10902155

https://www.sciencedirect.com/science/article/abs/pii/S0893608025013450

兩階段成像框架