Poster: EIT Reconstruction with Physics-Consistent Unrolled Learning
Fragment książki (Abstrakt)
| Status: | |
| Autorzy: | Majerek Dariusz, Wójcik Dariusz, Rymarczyk Tomasz, Olszewski Paweł |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Wersja dokumentu: | Elektroniczna |
| Język: | angielski |
| Strony: | 123 - 124 |
| Scopus® Cytowania: | 0 |
| Bazy: | Scopus |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | TAK |
| Nazwa konferencji: | 2026 ACM/IEEE International Conference on Embedded Artificial Intelligence and Sensing Systems |
| Skrócona nazwa konferencji: | SenSys 2026 |
| URL serii konferencji: | LINK |
| Termin konferencji: | 11 maja 2026 do 14 maja 2026 |
| Miasto konferencji: | Saint-Malo |
| Państwo konferencji: | FRANCJA |
| Publikacja OA: | NIE |
| Abstrakty: | angielski |
| Electrical Impedance Tomography (EIT) is severely ill-posed, and classical Total Variation (TV) regularization often trades edge sharpness for stability. We present an unrolled reconstruction method that alternates a physics-based TV dataconsistency step with a learned Graph U-Net proximal step on the FEM element graph. Herzberg et al. show that a domain-independent Graph U-Net can improve early-iterate TV reconstructions and generalize when trained on simple 2D simulations [1]. In contrast, our approach embeds the learned regularizer inside the solver loop and composes TV and GNN updates for several iterations, learning an iterative reconstruction trajectory rather than a one-shot correction. |
