本研究证明利用卷积神经网络技术处理非线性逆问题可以使电阻抗断层成像的重建效果更加清晰可靠。该网络通过对模拟数据进行训练，并成功地应用于实验数据的处理，无需额外的转移训练步骤。结果使用 ACT4 和 KIT4 电阻抗断层成像系统的实验数据呈现。

Nov, 2017

使用电阻抗成像（EIT）技术解决 EIT 反问题的方法进行了综述，重点考察了基于深度学习和传统分析方法之间的相互作用，评估它们在重建复杂电导率分布方面的能力，并引入了具有变化电导率情景的评估方法，以模拟组织或材料在现实场景中呈现空间变化的电学特性。

Oct, 2023

本研究针对现有方法进行了改进，从而提出了一种复杂阻抗层析成像技术，该技术通过使用卷积神经网络对成像结果进行后处理，以改善成像的分辨率和准确性。实验结果表明，该方法能够显著提高标准 Calderón 方法的性能。

Apr, 2023

电阻抗层析成像是一种非侵入性成像方法，在医疗和工业领域具有重要应用。本文介绍了三种基于数据驱动的电阻抗层析成像重建方法，其中一种方法在 2023 年的 Kuopio 层析挑战赛中获得第一名。这三种方法都基于类似的神经网络，并利用合成数据集进行训练，从而提供了这些不同数据驱动重建方法的公平比较机会。

May, 2024

本文介绍了一种新型绝对电阻抗层析成像（a-EIT）图像重建方法，该方法将深度学习技术与实时强健的 D-bar 方法配对，并通过训练卷积神经网络来进行后处理，以提高图像质量。

Nov, 2018

提出了一种基于转换器的深度直接抽样方法，用于电阻抗层析成像中的逆问题，尤其是在基于局部微分方程的特征映射和可学习的非局部核心的引入下，直接采样被重新转化为修正的注意机制，被证明该方法比先前的研究获得了更高的精度，同时还表现出对噪声的鲁棒性。

Sep, 2022

本文提出一种基于图卷积神经网络的重建方法，通过对有限元网格进行图化处理构建图，使用新型的聚集池化和反池化方式设计了灵活的图 U-Net。我们将该方法应用于电阻抗层析成像重建，经过模拟数据和三种不同测量设备的实验验证，表明该模型能够取得较好的性能和灵活性，可实现从三维设备到不同领域的重建。

May, 2023

本文旨在探讨科学机器学习中的一个基本问题，即基于深度学习的方法是否能够将无噪声的反问题精确解决。作者通过提供证据证明了这一问题。本文着重研究了一个典型的计算机断层扫描（CT）问题，并且通过迭代的端到端网络方案以及数据驱动的校准步骤，展示了该方案能够使 CT 重建达到数值精度，与基于压缩感知策略的方法相当。作者同时也在本文中展示了方法的优越表现。

Jun, 2022

通过混合使用深度学习与迭代图拉普拉斯方法，在声波勘探的常规过程中对声学阻抗进行反演，将神经网络应用于获得声学阻抗的初步近似，并利用 Tikhonov-like 变值方法以迭代图拉普拉斯为基础的正则项，获得比神经网络的初始预测更准确和稳定的结果，经过几次迭代后收敛到更精确的重构结果，实验证明该方法在存在噪声的情况下改善了重构质量。

Apr, 2024

基于深度学习和生成对抗网络的逆散射问题研究，通过对多频散射电场幅度的准确和高效重构，提出了一个强大的方法，其中采用了对抗自编码器和密集层构成的逆神经网络框架，通过与正向神经网络的比较验证了结果的可靠性和提高了建模效率。

Feb, 2024