基于方位多普勒分解的深度学习迭代框架用于Sentinel-1条带图增强
该论文提出了一种自监督的Sentinel-1条带模式SAR图像增强框架，利用方位子孔径分解生成训练数据，无需外部传感器或模拟真值。该方法结合单帧和多帧学习，并通过迭代推理逐步提升图像质量。实验表明，在PSNR和SSIM指标上优于MERLIN，但MERLIN在ENL上更高，揭示了结构保真度与斑点平滑之间的权衡。
文章情报
要点
- 提出基于方位子孔径分解的自监督SAR增强方法
- 无需外部传感器或模拟真值，利用物理一致性生成训练数据
- 在PSNR和SSIM上优于MERLIN，但ENL较低
- 可扩展至其他SAR平台、极化方式和采集模式
为什么重要
这条新闻值得关注，因为提出基于方位子孔径分解的自监督SAR增强方法。
技术影响
可能影响模型选型、推理成本、产品能力和评测基准。
合成孔径雷达（SAR）图像能够实现全天候、昼夜地球观测，但由于斑点噪声和其他固有成像伪影，其解译仍然困难。Sentinel-1（S1）是应用最广泛的星载SAR任务之一，提供系统化的全球覆盖、高时间分辨率、双极化成像和免费数据获取。在S1的成像模式中，条带图（SM）提供最高分辨率，但斑点噪声和空间限制常常阻碍需要更高空间细节的应用。因此，亟需有效的图像增强策略。
在这项工作中，研究者提出了一种基于方位子孔径分解的自监督增强框架，用于S1 SM图像。该方法利用子孔径重建与对应全孔径图像之间的物理一致性，生成配对训练数据，无需外部传感器、模拟真值或多时相堆叠。该框架集成了单帧和多帧学习，并采用迭代推理方案逐步细化图像质量。在真实S1 SM数据上的实验表明，所提出的方法在PSNR和SSIM指标上持续优于广泛采用的自监督深度学习基线MERLIN，而MERLIN在等效视数（ENL）上更高，突显了结构保真度与斑点平滑之间的权衡。
总体而言，结果表明基于子孔径的监督方法为使用S1数据进行SAR图像增强提供了一种物理基础扎实、可重复且操作可行的途径。值得注意的是，所提出的方法可以扩展到其他SAR平台、极化和采集模式。该研究已被CVPR 2026的AI4Space研讨会接收，标志着其在遥感与计算机视觉交叉领域的影响力。未来工作可以进一步探索不同子孔径数的效果，以及将该框架应用于其他SAR任务如目标检测和分类。