Key points are not available for this paper at this time.
Zusammenfassung Die Lösung schlecht gestellter inverser Probleme erfordert typischerweise eine Regularisierung, die auf Vorwissen basiert. Bisher kann nur mathematisch formuliertes Vorwissen (z.B. Sparsamkeit der Unbekannten) oder implizit aus quantitativen Daten erlerntes Vorwissen zur Regularisierung verwendet werden. Damit wird semantisch formuliertes Vorwissen, das aus menschlichem Denken und Erkennen abgeleitet ist, ausgeschlossen. Hier stellen wir das Konzept der semantischen Regularisierung vor und demonstrieren es anhand eines vortrainierten großen Sprachmodells, um diese problematische Einschränkung zu überwinden. Wir untersuchen den Ansatz zunächst numerisch in einem prototypischen 2D-inversen Streuproblem und dann experimentell in 3D- und 4D-kompressiven Mikrowellenbildgebungsproblemen basierend auf programmierbaren Metastrukturen. Wir heben hervor, dass die semantische Regularisierung neue Formen des hochgradig gewünschten Datenschutzes für Anwendungen wie smart homes, berührungslose Mensch-Maschine-Interaktion und Sicherheitsüberprüfungen ermöglicht: ausgewählte subjekte in der Szene können verborgen werden oder ihre Handlungen und Körperhaltungen können in der Rekonstruktion durch Manipulation des semantischen Vorwissens mit geeigneten sprachbasierten Steuerbefehlen verändert werden.
Zhang et al. (Wed,) haben diese Frage untersucht.