摘要：针对提升现有逆散射成像算法精度的需求和抗噪声性能具有局限性的问题，本文提出了一种基于随机方差缩减的子空间优化法与M2Net深度网络融合的逆散射成像方法。该方法在优化的SOM框架下引入随机方差缩减梯度法，通过使用两层循环结构，在每次迭代中随机抽取少量样本进行更新，以修正项来减少方差并提升计算效率。在此基础上，构建了包含多尺度层的M型残差块的U形嵌套模型M2Net网络结构，并将初始重构结果作为输入数据用于M2Net的训练，实现对散射体结构的进一步高精度重构。该方法与传统方法相比，在结构相似性方面提升10%-30%，在均方根误差方面降低5%-15%，表明所提出方法在抗噪性能方面表现优异，并能够实现高精度的图像重建。
文章目录
0 引 言
1 逆散射成像理论与方法
1.1 逆散射成像模型和原理
1.2 SOM-SVRG(SS)优化方法
1.3 M2Net网络模型
1.4 SS-M2Net算法实现
2 实验结果分析
2.1 SS-M2Net的准确性
2.2 SS-M2Net的鲁棒性
2.3 消融实验
3 结论
