本文介绍了一项关于非均匀介质逆散射问题的研究，该研究由Naike Du、Jing Wang、Rencheng Song、Kuiwen Xu、Sheng Sun和Xiuzhu Ye等作者共同完成，并于2024年12月发表在《IEEE Transactions on Microwave Theory and Techniques》期刊上。该研究提出了一种基于深度学习辅助的逆散射方法，旨在解决非均匀背景下的成像问题，特别是在生物医学成像、穿墙成像和无损检测等应用场景中具有重要价值。
非均匀背景成像是指检测隐藏在障碍物后无法直接访问的物体，这类问题在许多实际应用中具有重要意义。传统的逆散射问题（Inverse Scattering Problems, ISPs）通常是非线性和病态的，尤其是在非均匀介质中，传统的非迭代方法（如后向传播方案（Backpropagation Scheme, BPS）和Born近似（Born Approximation, BA））由于忽略了多重散射效应，导致成像精度较低。为了提高成像精度并减少计算复杂度，本研究提出了一种结合物理模型和深度学习的新方法，旨在通过保留多重散射信息来实现高分辨率成像。
研究分为两个主要步骤：首先，提出了一种非迭代的失真Born修正Born近似（Distorted-Born Modified Born Approximation, DB-MBA）方法，用于初步重建非均匀背景中的未知散射体；其次，利用Swin Transformer网络进一步提取剩余的多重散射信息，从而实现超分辨率成像。
DB-MBA方法：该方法通过引入失真Born近似，保留了未知散射体的主要多重散射信息，避免了耗时的迭代过程。DB-MBA方法通过奇异值分解（Singular Value Decomposition, SVD）提取主要散射场信息，并构建成本函数进行优化，最终得到初步的重建图像。与传统的BPS和BA方法相比，DB-MBA在非均匀背景下的成像精度更高。
Swin Transformer网络：为了进一步提取剩余的多重散射信息，研究采用了Swin Transformer网络。该网络通过自注意力机制（Self-Attention Mechanism）捕捉物体之间的全局交互信息，从而提高了成像性能。Swin Transformer网络的架构包括浅层特征提取模块、深层特征提取模块和高质量图像重建模块。通过自适应分布的训练数据集，网络能够更好地处理不同对比度下的成像问题，提高了泛化能力。
研究通过合成数据和实验数据验证了所提出方法的有效性。实验结果表明，DB-MBA方法在非均匀背景下的成像精度显著优于传统的BPS和BA方法。特别是在高噪声环境下，DB-MBA方法表现出更强的鲁棒性。通过Swin Transformer网络的进一步处理，成像分辨率得到了显著提升，尤其是在处理亚波长结构时，能够实现超分辨率成像。
合成数据实验：研究使用MNIST数据集进行训练和测试，结果表明，Swin Transformer网络在处理高对比度散射体时表现出色，能够显著提高成像质量。与传统的卷积神经网络（CNN）相比，Swin Transformer网络在结构相似性指数（SSIM）上表现更好，表明其全局交互能力在逆散射问题中具有优势。
实验数据验证：通过穿墙成像实验，研究进一步验证了所提出方法的实际应用潜力。实验结果表明，DB-MBA方法在穿墙成像中能够有效提高成像精度，而Swin Transformer网络的引入进一步提升了图像的分辨率和准确性。整个成像过程在实时性方面表现出色，计算时间仅为0.2012秒，显示出该方法在实际应用中的潜力。
本研究提出了一种结合物理模型和深度学习的新方法，成功解决了非均匀背景下的逆散射问题。DB-MBA方法通过保留多重散射信息，显著提高了成像精度，而Swin Transformer网络的引入进一步提升了成像分辨率。该方法在合成数据和实验数据中均表现出色，特别是在高噪声和高对比度环境下，表现出较强的鲁棒性和泛化能力。
本研究为非均匀背景下的逆散射问题提供了一种高效且精确的解决方案，结合了物理模型和深度学习方法的优势，具有重要的科学价值和应用前景。特别是在生物医学成像、穿墙成像和无损检测等领域，该方法有望推动相关技术的进一步发展。