这篇被 AI4Space Workshop（CVPR 2026）接收的论文聚焦于合成孔径雷达（SAR）图像质量问题。SAR 具备全天候、昼夜不间断的对地观测能力，但斑点噪声以及其他与成像机制相关的伪影，长期使其难以被直观解读。在众多星载 SAR 任务中，Sentinel-1（S1）是使用最广泛的系统之一，其特点是提供系统化的全球覆盖、较高的时间分辨率、双极化成像能力，并且数据可免费获取。在 S1 的多种成像模式里，Stripmap（SM）模式能够给出最高分辨率，然而斑点噪声与空间覆盖方面的限制，往往使那些需要更精细空间细节的应用难以开展，这也构成了研究有效图像增强策略的直接动因。
针对这一问题，作者提出了一套面向 S1 SM 影像的自监督增强框架，其核心思路建立在方位向子孔径分解（azimuth subaperture decomposition）之上。该方法利用子孔径重建结果与对应的全孔径图像之间存在的物理一致性来构造成对的训练数据，因此不需要借助外部传感器、不需要模拟的真值标签，也不需要依赖多时相影像堆栈。这种数据生成方式使训练过程摆脱了对额外标注或外部参考源的依赖，并且具备可重复性。
在框架设计上，该工作同时整合了单帧学习与多帧学习两种路径，并引入了迭代式推理机制，使图像质量能够在多轮推理中逐步得到改善。作者在真实的 S1 SM 数据上进行了实验，结果显示该方法在峰值信噪比（PSNR）与结构相似性（SSIM）两项指标上稳定优于被广泛采用的自监督深度学习基线方法 MERLIN。不过，MERLIN 在等效视数（ENL）指标上取得了更高的数值，这揭示出结构保真度与斑点平滑程度之间存在的权衡关系。
论文总结认为，基于子孔径的监督方式为利用 S1 数据进行 SAR 图像增强提供了一条具备物理依据、可重复且在实际业务中可行的技术路线。作者同时指出，该方法可以推广到其他 SAR 平台、其他极化方式以及其他成像模式。该论文由 Juan Francisco Amieva 及其他三位作者共同完成，于 2026 年 5 月 27 日提交至 arXiv，属于计算机视觉与模式识别（cs.CV）分类，全文约 2,092 KB。