常州先进制造技术研究所提出物理嵌入双学习成像框架，推动电阻抗成像全逆问题突破

近日，常州先进制造技术研究所智能材料研究室王晓杰研究团队提出了一种物理嵌入的双学习成像框架（Physics-Embedded Dual-Learning Imaging Framework），在国际上首次系统性解决了电阻抗成像（Electrical Impedance Tomography, EIT）中全逆问题难以通过物理信息神经网络（PINN）稳定求解的关键难题。相关研究成果分别发表于 IEEE Signal Processing Letters 和 Neural Networks 两本国际权威期刊。

电阻抗成像是一种通过边界电流激励与电压测量来重建内部电导率分布的非侵入式成像技术，在医学成像、多相流监测、柔性触觉传感等领域具有广阔应用前景。然而，EIT 本质上属于高度非线性、强病态的逆问题，传统基于正则化的算法容易产生伪影，而近年来兴起的物理信息神经网络（PINN）方法虽然具备良好的物理一致性与可解释性，却在实际应用中长期受限于只能处理“半逆问题”、依赖理想化边界条件及电导率光滑假设，难以推广至真实场景。

针对上述瓶颈，该研究提出了一种融合监督学习与非监督学习的双阶段物理嵌入成像策略。该框架创新性地将成像过程解耦为两个阶段：首先利用结合物理预处理的卷积神经网络（CNN）在现实可行的点电极激励条件下预测内部离散电势分布；随后引入基于偏微分方程约束的 PINN，通过离散数值微分实现电导率反演。该设计不仅显著降低了传统 PINN 对光滑电导率假设的依赖，还将多正向网络耦合训练的问题简化为单一正向网络 + 单一逆向网络，从根本上改进了训练不稳定与收敛困难的EIT反演问题。

在系统实验中，研究团队在仿真与真实水槽实验中对方法进行了充分验证。结果表明，该框架在稀疏边界测量、强噪声、极端高对比度及非光滑电导率分布（如含尖角的三角形和正方形）等挑战条件下，均表现出显著优于传统方法和现有 PINN 框架的重建性能。同时，研究还系统分析了不同边界激励频率和噪声水平对成像效果的影响，进一步证明了方法的鲁棒性与工程可行性。

该工作发表于 IEEE Signal Processing Letters 的短文中首次验证了“双阶段 CNN–PINN”思想的可行性，而在 Neural Networks 期刊发表的长文则对改方法进行了全面扩展，包括严格的数学建模、损失函数设计、超参数分析以及真实实验验证，为后续研究和工程应用提供了可复现、可扩展的完整框架。智能所博士研究生杨轩轩为论文第一作者，智能所王晓杰研究员为通讯作者。

研究团队表示，该成果为 PINN 在实际成像系统中的落地应用提供了新范式，有望推动 EIT 在医学成像、软体机器人触觉感知和工业过程监测等领域的进一步发展。

文章链接：

https://ieeexplore.ieee.org/abstract/document/10902155、

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

两阶段成像框架