基于改进CycleGAN网络的电磁层析成像算法

摘要

为解决电磁层析成像（electromagnetic tomography,EMT）图像重建中由于逆问题的高度非线性、不适定导致重建图像容易产生伪影的问题，提出了一种用于EMT图像重建的深度学习网络——带注意机制的循环生成对抗网络（CycleGAN-AM）。该网络由2个GAN网络构成，通过双生成器、双鉴别器可以捕捉更多的非线性特征；在生成器中使用全局注意力（GAM）来学习信道依赖关系，提高了CycleGAN-AM的准确性和可解释性。通过仿真和金属检测实验评估了本文所提出算法的性能。成像结果表明：CycleGAN-AM能够准确地恢复被测对象的边界，并且可对新的电导率分布（尺寸/数量变化的被测对象）和噪声干扰下的被测对象进行有效的重建；与传统的智能学习方法相比，CycleGAN-AM可使成像精度提升10%以上。

关键词

电磁层析成像 / 图像重建算法 / 深度学习 / CycleGAN网络