合成孔徑雷達（SAR）圖像能夠實現全天候、晝夜地球觀測，但由於斑點噪聲和其他固有成像偽影，其解譯仍然困難。Sentinel-1（S1）是應用最廣泛的星載SAR任務之一，提供系統化的全球覆蓋、高時間分辨率、雙極化成像和免費數據獲取。在S1的成像模式中，條帶圖（SM）提供最高分辨率，但斑點噪聲和空間限制常常阻礙需要更高空間細節的應用。因此，亟需有效的圖像增強策略。
在這項工作中，研究者提出了一種基於方位子孔徑分解的自監督增強框架，用於S1 SM圖像。該方法利用子孔徑重建與對應全孔徑圖像之間的物理一致性，生成配對訓練數據，無需外部傳感器、模擬真值或多時相堆疊。該框架集成了單幀和多幀學習，並採用迭代推理方案逐步細化圖像質量。在真實S1 SM數據上的實驗表明，所提出的方法在PSNR和SSIM指標上持續優於廣泛採用的自監督深度學習基線MERLIN，而MERLIN在等效視數（ENL）上更高，突顯了結構保真度與斑點平滑之間的權衡。
總體而言，結果表明基於子孔徑的監督方法為使用S1數據進行SAR圖像增強提供了一種物理基礎紮實、可重複且操作可行的途徑。值得注意的是，所提出的方法可以擴展到其他SAR平台、極化和採集模式。該研究已被CVPR 2026的AI4Space研討會接收，標誌着其在遙感與計算機視覺交叉領域的影響力。未來工作可以進一步探索不同子孔徑數的效果，以及將該框架應用於其他SAR任務如目標檢測和分類。