New wavelet-based superresolution algorithm for speckle reduction in SAR images
SAOCOM Mission, National Commission of Space Activities (CONAE)（阿根廷国家空间活动委员会 SAOCOM 任务）
本文提出了一种新的投影算法--投影到跨度算法（POSA），用于合成孔径雷达（SAR）图像的小波超分辨和相干斑（小波域）去除。虽然POSA作为一种新的超分辨率算法用于图像增强，图像计量和生物识别是很好的，这里将使用它作为一个工具的去斑，是第一次超分辨率算法用于SAR图像的去斑。具体地说，SAR图像的斑点分解成小波子带，POSA应用于高的子带，并从修改后的细节系数重建SAR图像。实验结果表明，该方法优于其他几种方法的测试SAR图像相干斑抑制。
2016-07-31 cs.CV
Transformer-based SAR Image Despeckling
Johns Hopkins University（约翰斯·霍普金斯大学）
合成孔径雷达（SAR）图像通常会受到乘性噪声（称为斑点噪声）的影响，这给SAR图像的处理和判读带来了困难。在本文中，我们介绍了一种基于变换的网络的SAR图像去斑。所提出的去斑网络包括一个基于变换的编码器，该编码器允许网络学习不同图像区域之间的全局依赖关系-有助于更好地去斑。该网络使用复合损失函数用合成生成的斑点图像进行端到端训练。实验结果表明，该方法在合成图像和真实SAR图像上的相干斑抑制效果均优于传统的相干斑抑制方法和基于卷积神经网络的相干斑抑制方法。
2022-01-23 cs.CV eess.IV
SAR Despeckling via Regional Denoising Diffusion Probabilistic Model
Xidian University（西安电子科技大学）；Kunshan Innovation Institute of Xidian University（西安电子科技大学昆山创新研究院）；University of Montenegro（黑山大学）
针对大规模SAR图像去斑难题，本文提出区域去噪扩散概率模型（R-DDPM），通过单次训练实现多尺度去斑，并利用区域引导逆向采样避免伪影，在Sentinel-1数据上表现优异。
2024-01-06 cs.CV eess.IV
Speckle2Void: Deep Self-Supervised SAR Despeckling with Blind-Spot Convolutional Neural Networks
Politecnico di Torino（都灵理工大学）
合成孔径雷达（SAR）图像中的相干斑噪声严重影响了图像信息提取，因此相干斑抑制是场景分析算法中的一个重要步骤。深度学习最近的成功设想了新一代的去斑技术，可以超越经典的基于模型的方法。然而，目前用于去斑的深度学习方法需要监督训练，而不可能获得干净的SAR图像。在文献中，这个问题是通过诉诸合成斑点的光学图像，表现出不同的属性，相对于真正的SAR图像，或多时相SAR图像，这是很难准确地获取或融合。在本文中，最近的工作的盲点去噪网络的启发，我们提出了一个自监督贝叶斯去斑方法。所提出的方法是训练只使用噪声SAR图像，因此可以学习真正的SAR图像，而不是合成数据的功能。实验表明，该方法的性能是非常接近的监督训练方法的合成数据和真实数据的定量和视觉评估的优越性。
2020-07-04 cs.CV eess.IV
SAR Despeckling Using Overcomplete Convolutional Networks
Johns Hopkins University（约翰斯·霍普金斯大学）
合成孔径雷达（SAR）相干斑抑制是遥感领域的一个重要问题，因为相干斑会使SAR图像质量下降，影响后续的检测和分割等任务。最近的研究表明，卷积神经网络（CNN）优于经典的去斑方法。传统的CNN试图随着网络的深入而增加感受野的大小，从而提取全局特征。然而，散斑相对较小，并且增加感受野无助于提取散斑特征。这项研究采用了过完备的CNN架构，通过限制感受野来专注于学习低级特征。建议的网络由一个过完备分支，专注于本地结构和一个欠完备分支，专注于全球结构。我们表明，该网络提高了降斑性能相比，最近的降斑方法合成和真实的SAR图像。
2022-05-31 cs.CV eess.IV
SAR Despeckling using a Denoising Diffusion Probabilistic Model
Johns Hopkins University（约翰斯·霍普金斯大学）
本文提出SAR-DDPM，一种基于去噪扩散概率模型的SAR图像去斑方法，利用马尔可夫链和循环平移推理策略，在合成与真实图像上显著优于现有方法。
2022-06-09 cs.CV eess.IV
Complexity Analysis of an Edge Preserving CNN SAR Despeckling Algorithm
SAR图像受乘性噪声的影响，影响其解释。在过去的几十年中，已经提出了几种SAR去噪方法，并且在过去的几年中，人们的注意力已经转向基于深度学习的解决方案。基于我们最后提出的用于SAR降斑的卷积神经网络，在这里我们利用网络复杂性的影响。更准确地说，一旦数据集被固定，我们就可以根据网络的层数和特征数量来分析网络性能。对模拟数据和实际数据进行了评价。结果表明，更深的网络可以更好地概括模拟图像和真实图像。
2020-06-17 cs.CV eess.IV
Edge Preserving CNN SAR Despeckling Algorithm
Università degli Studi di Napoli Parthenope（那不勒斯帕耳忒诺珀大学）
SAR相干斑抑制是对地观测的重要手段。SAR图像的解释受到斑点的影响，斑点是一种与从照明场景到传感器的后向散射干扰有关的乘性噪声。降低噪声是理解场景的关键任务。基于我们以前的解决方案KL-DNN的结果，在这项工作中，我们定义了一个新的代价函数来训练卷积神经网络去斑。其目的是控制边缘保护，并更好地过滤人工结构和城市地区，这对KL-DNN来说非常具有挑战性。结果表明，在不均匀的区域上有很好的改善，保持了均匀区域的良好结果。仿真和实际数据的结果显示在文件中。
2020-07-10 cs.CV eess.IV
Towards Deep Unsupervised SAR Despeckling with Blind-Spot Convolutional Neural Networks
PoliTO（都灵理工大学）
SAR相干斑抑制是遥感领域的一个重要问题，它代表了许多场景分析算法的第一步。最近，深度学习技术的性能优于经典的基于模型的去斑算法。然而，这样的方法需要干净的地面实况图像用于训练，因此由于不能获取干净的SAR图像，因此求助于合成斑点光学图像。在本文中，最近的工作的盲点去噪网络的启发，我们提出了一个自监督贝叶斯去斑方法。所提出的方法是训练只使用噪声图像，因此可以学习真正的SAR图像，而不是合成数据的功能。我们表明，所提出的网络的性能是非常接近的监督训练方法的合成数据和竞争力的真实数据。
2020-01-15 cs.CV cs.LG eess.IV
A Practical Solution for SAR Despeckling With Adversarial Learning Generated Speckled-to-Speckled Images
Harbin Engineering University（哈尔滨工程大学）；China Academy of Space Technology（中国空间技术研究院）
在这封信中，我们的目标是解决一个合成孔径雷达（SAR）相干斑抑制问题的必要性，既不干净（无斑点）的SAR图像，也没有独立的斑点图像对来自同一场景，并提出了一个实用的解决方案SAR相干斑抑制（PSD）。首先，设计了一个对抗性学习框架，在只有单个斑点SAR图像可用的情况下，从同一场景生成斑点到斑点（S2 S）图像对。然后，S2 S SAR图像对训练一个改进的去斑Nested-UNet模型使用噪声2噪声（N2 N）策略。此外，还提出了PSD方法的迭代版本（PSDi）。通过对合成SAR图像和真实SAR图像的实验，验证了该方法与现有方法相比的优越性。结果表明，我们的方法可以达到一个很好的折衷之间的特征保护和斑点抑制。
2021-01-17 cs.CV eess.IV eess.SP
SAR2SAR: a semi-supervised despeckling algorithm for SAR images
Télécom Paris, Institut Polytechnique de Paris（巴黎高等电信学校，巴黎综合理工学院）；Univ Lyon, UJM-Saint-Etienne, CNRS, Institut d Optique Graduate School, Laboratoire Hubert Curien（里昂大学，圣艾蒂安让·莫内大学，法国国家科学研究中心，光学研究所研究生院，于贝尔·居里安实验室）
相干斑抑制是遥感应用中的一个关键步骤。它强烈影响合成孔径雷达（SAR）图像，使其难以分析。由于斑点噪声的空间相关性难以建模，本文提出了一种具有自监督功能的深度学习算法：SAR2SAR。利用多时相时间序列，神经网络通过仅查看噪声采集来学习恢复SAR图像。为此，最近提出的noise2noise框架已被采用。提出了一种适用于SAR相干斑抑制的策略，该策略基于对相干斑时间变化的补偿和一种适用于相干斑统计特性的损失函数。与合成散斑噪声的研究提出了所提出的方法与其他国家的最先进的滤波器的性能进行比较。最后，通过对实际图像的实验结果分析，验证了该算法的有效性.该代码可用于在该领域进行测试和可重复的研究。
2021-04-13 cs.CV eess.IV
A Novel Cost Function for Despeckling using Convolutional Neural Networks
Università di Napoli Parthenope（那不勒斯帕尔泰诺佩大学）
SAR图像相干斑噪声的去除一直是一个悬而未决的问题。SAR图像的解译是一个非常具有挑战性的问题，为了提高SAR图像的信息提取能力，必须对SAR图像进行相干斑抑制。由于不同的结构和不同的对象规模，城市环境使这项任务更加繁重。随着深度学习方法最近在几个遥感应用中的传播，在这项工作中，提出了一种基于卷积神经网络的去斑算法。该网络是在模拟SAR数据上训练的。本文主要研究了一种兼顾图像空间一致性和噪声统计特性的代价函数的实现。
2019-06-11 cs.CV eess.IV
Deep Learning Methods For Synthetic Aperture Radar Image Despeckling: An Overview Of Trends And Perspectives
合成孔径雷达（SAR）图像受相干斑噪声的影响，相干斑噪声具有空间相关性，并且与信号相关，严重影响了图像的利用。去斑是一项重要的任务，其目的在于去除这种噪声，以便提高所有下游图像处理任务的精度。第一个去斑方法可以追溯到20世纪70年代，并在随后的几年中开发了几种基于模型的算法。该领域受到了越来越多的关注，强大的深度学习模型的可用性使其在图像处理中的逆问题方面表现出色。本文综述了应用于SAR降斑的深度学习方法的文献，涵盖了监督和最近的自监督方法。我们对现有方法进行了批判性分析，目的是识别最有前途的研究路线，确定限制深度模型成功的因素，并提出前进的方向，以充分利用深度学习在SAR降斑方面的潜力。
2021-05-02 cs.CV eess.IV
Purely Speckled Intensity Images Need for SAR Despeckling with SDS-SAR
针对SAR图像去斑中无真实无斑点参考图、现有自监督方法实用性受限的问题，提出仅用带斑强度数据训练的SDS-SAR策略，通过理论论证、RA-SAMPLE采样器和多特征损失实现去斑，性能在合成数据上比肩监督方法、真实数据上更优。
2025-03-25 eess.IV
Speckle Reduction with Trained Nonlinear Diffusion Filtering
University of Science and Technology Beijing（北京科技大学）；Graz University of Technology（格拉茨技术大学）
相干斑抑制是合成孔径雷达（SAR）图像以及所有相干图像中许多图像处理任务的先决条件。近年来，用于去斑的主要的现有技术方法通常基于非局部方法，其主要集中于实现最大的图像复原质量，具有相对低的计算效率。因此，在这项研究中，我们的目标是提出一个有效的去斑模型，同时具有高计算效率和高恢复质量。为此，我们利用一个新开发的可训练的非线性反应扩散（TNRD）框架，已被证明是一个简单而有效的模型，各种图像复原问题。{In在原有的TNRD应用中，扩散网络通常是基于直接梯度下降法推导的。然而，这种方法会遇到一些问题，在这项研究中利用的乘性噪声降低的任务。为了解决这个问题，我们采用了一个新的架构，从近端梯度下降方法。考虑到散斑噪声的统计特性，导出了去散斑任务的扩散过程。然后，我们在存在斑点噪声的情况下重新训练所有模型参数。最后，优化的非线性扩散滤波模型，这是专门针对不同的噪声水平的去斑。实验结果证实，训练的过滤模型提供了可比的，甚至更好的结果比国家的最先进的非局部方法。同时，我们提出的模型只包含线性滤波器与图像的卷积，这在GPU上提供了高级别的并行性。因此，对于大小为$512 \times 512$的图像，我们的GPU实现只需不到0.1秒即可产生最先进的去斑性能。}
2017-02-24 cs.CV
Blind SAR Image Despeckling Using Self-Supervised Dense Dilated Convolutional Neural Network
斑点抑制是SAR图像预处理中关键且不可或缺的步骤，现有的基于深度学习的方法通过学习斑点（不同外观）和干净图像之间的一些映射来实现SAR斑点抑制。然而，在现实世界中，不存在干净的SAR图像。为此，在本文中，我们提出了一种自监督的密集扩张卷积神经网络（BDSS）的盲SAR图像去斑。所提出的BDSS仍然可以通过针对L2损失进行优化来学习在没有干净的地面实况的情况下抑制斑点噪声。此外，三个增强的密集块与扩张卷积，以提高网络的性能。仿真实验和实测数据实验表明，该算法能在有效抑制斑点噪声的同时，较好地保持图像的边缘、点目标和辐射特征。最后，我们证明了我们提出的BDSS可以很好地实现盲降斑，即，不需要在乎看的次数。
2019-08-13 cs.GR eess.IV eess.SP
deSpeckNet: Generalizing Deep Learning Based SAR Image Despeckling
深度学习（DL）已被证明是一种合适的方法来去除合成孔径雷达（SAR）图像的斑点。到目前为止，大多数DL模型都是使用模拟噪声或特定的真实SAR图像集来训练以减少遵循特定分布的斑点，这限制了这些方法对具有未知噪声统计的真实SAR图像的适用性。在本文中，我们提出了一个DL方法，deSpeckNet 1，估计斑点噪声分布和去斑点图像的同时。由于它不依赖于特定的噪声模型，deSpeckNet可以很好地概括各种土地覆盖条件下的SAR采集。我们评估了deSpeckNet在印度尼西亚，刚果民主共和国和荷兰获得的单极化Sentinel-1图像，在日本获得的单极化ALOS-2/PALSAR-2图像和在德国获得的Iceye X2图像上的性能。在所有情况下，deSpeckNet都能够有效地减少斑点并恢复
2020-12-05 eess.IV
A higher-order MRF based variational model for multiplicative noise reduction
Graz University of Technology（格拉茨工业大学）；University of Science and Technology Beijing（北京科技大学）；Chinese Academy of Sciences（中国科学院）
专家场（Fields of Experts，FoE）图像先验模型是一种基于滤波器的高阶马尔可夫随机场（MRF）模型，在解决图像复原问题中具有良好的效果。受成功的FoE为基础的方法，在这封信中，我们提出了一种新的变分模型的基础上的FoE图像先验模型的乘性噪声降低。由此产生的模型对应于一个非凸最小化问题，这可以解决最近发表的非凸优化算法。基于合成斑点噪声和真实合成孔径雷达（SAR）图像的实验结果表明，我们提出的方法的性能与最好的发表去斑点算法。此外，我们提出的模型还有一个额外的优点，即推理非常有效。{Our基于GPU的实现只需不到1秒即可产生最先进的去斑性能。}
2014-07-07 cs.CV
Despeckling Polarimetric SAR Data Using a Multi-Stream Complex-Valued Fully Convolutional Network
极化合成孔径雷达（PolSAR）传感器能够收集不同极化状态的图像，使其成为目标表征的丰富信息源。极化SAR图像固有地受到斑点噪声的影响。因此，在从数据中推导出特定产品之前，需要通过减少散斑来估计极化协方差矩阵。近年来，基于深度学习的去斑方法已经开始从单通道SAR图像发展到PolSAR图像。为此，基于深度学习的方法将复值协方差矩阵的实部和虚部分开，并将它们用作标准卷积神经网络中的独立通道。然而，这种方法忽略了实部和虚部之间存在的数学关系，导致次优输出。在这里，我们提出了一个多流复值全卷积网络，以减少斑点和有效地估计PolSAR协方差矩阵。为了评估CV-deSpeckNet的性能，我们使用Sentinel-1双极化SAR图像与其实值对应图像进行比较，后者将复协方差矩阵的实部和虚部分开。还将CV-deSpeckNet与最先进的PolSAR去斑方法进行了比较。结果表明，CV-deSpeckNet能够用更少的样本进行训练，具有更高的泛化能力，并且比其实值对应物和最先进的PolSAR降斑方法具有更高的准确性。这些结果展示了复值深度学习在PolSAR去斑方面的潜力。
2021-03-12 eess.IV
Despeckling Sentinel-1 GRD images by deep learning and application to narrow river segmentation
Télécom Paris, Institut Polytechnique de Paris（巴黎理工学院巴黎电信学院）；Laboratoire Hubert Curien（于贝尔·居里安实验室）
本文提出了一种基于最近提出的框架“SAR 2SAR”的Sentinel-1 GRD图像的去斑方法：一种自监督训练策略。在Sentinel 1 GRD图像集合上训练深度神经网络，产生了一种去斑算法，该算法对散斑的空间变化空间相关性具有鲁棒性。去斑点图像改善了对狭窄河流等结构的检测。我们应用基于外源信息和线性特征检测器的检测器，并表明当处理链应用于通过降斑神经网络预处理的图像时，河流被更好地分割。
2021-02-01 cs.CV eess.IV
A Simulation Study to Evaluate the Performance of the Cauchy Proximal Operator in Despeckling SAR Images of the Sea Surface
海洋表面的分析被广泛使用合成孔径雷达（SAR）图像进行，因为它在具有挑战性的天气条件下，在白天或夜晚等期间产生宽区域的信息。然而，斑点噪声构成了在诸如分类、船舶检测等应用中性能降低的主要原因，目标跟踪等。本文提出了一个调查的SAR图像的海洋，包括船舶尾流结构，通过稀疏正则化使用的Cauchy邻近算子。我们提出了一个封闭形式的表达式来计算的柯西先验，这使得它适用于通用的邻近分裂算法的邻近算子。在我们的实验中，我们模拟SAR图像的运动船只和他们的尾迹。所提出的方法的性能进行评估比较L1和TV范数正则化函数。结果表明，所提出的方法的所有利用生成的图像的优越性能。
2020-12-11 eess.IV eess.SP
DoPAMINE: Double-sided Masked CNN for Pixel Adaptive Multiplicative Noise Despeckling
Sungkyunkwan University（成均馆大学）
我们提出了一种新的基于神经网络的乘性噪声降斑算法DoPAMINE。我们的算法的灵感来自神经AIDE（N-AIDE），这是最近提出的神经自适应图像去噪。虽然原始的N-AIDE是为加性噪声情况设计的，但我们证明了相同的框架，即，通过最小化MSE的无偏估计来自适应地学习用于逐像素仿射去噪器的网络也可以应用于乘性噪声的情况。此外，我们推导出一种双面掩蔽的CNN架构，该架构可以控制每层中激活值的方差，并在监督训练期间快速收敛到高去噪性能。在实验结果中，我们表明我们的DoPAMINE具有很高的自适应性，通过微调网络参数的基础上给定的噪声图像，并取得显着更好的去斑效果相比，SAR-DRN，最先进的CNN为基础的算法。
2019-02-07 cs.CV cs.LG eess.IV
Hardware-Aware Deployment of Joint SAR Compression and Despeckling on FPGA
Technical University of Munich（慕尼黑工业大学）；Remote Sensing Technology Institute, German Aerospace Center (DLR)（德国航空航天中心遥感技术研究所）；University of the Bundeswehr Munich（慕尼黑联邦国防军大学）
本研究在ZCU102 FPGA平台部署联合SAR去噪与数据压缩框架，发现ReLU比GDN更适配SAR图像、残差块增益低且FPGA能效最高，为星载SAR压缩提供部署方案。
2026-08-13 cs.LG eess.IV
Efficient CNN-based Super Resolution Algorithms for mmWave Mobile Radar Imaging
The University of Texas at Dallas（德克萨斯大学达拉斯分校）
针对徒手智能手机近场SAR成像中不规则采样数据难获高效高分辨率图像的问题，提出结合前沿SAR处理与深度学习的新型CNN超分辨率架构，经仿真和实证验证可在不规则扫描近场场景下实现高效高分辨雷达成像。
2023-05-03 cs.AI cs.CV eess.SP
Perception-based multiplicative noise removal using SDEs
Oregon State University（俄勒冈州立大学）
本研究针对SAR等图像中的乘性噪声问题，提出基于SDE扩散模型的去噪方法，通过对数域几何布朗运动建模与Fokker-Planck方程推导逆过程，实验表明其感知指标优于现有方法，传统指标性能具竞争力。
2024-12-12 cs.CV eess.IV
Task-Guided Prompting for Unified Remote Sensing Image Restoration
School of Electronic and Information Engineering, Ningbo University of Technology（宁波工程学院电子与信息工程学院）；University of Exeter（埃克塞特大学）；Engineering Research Center of Intelligent Finance, Ministry of Education（教育部智能金融工程研究中心）；School of Computing and Artificial Intelligence, Southwestern University of Finance and Economics（西南财经大学计算机与人工智能学院）
本文提出TGPNet框架，通过任务引导提示策略统一处理多种遥感图像退化问题，实现单框架多任务修复，实验表明在多任务和复合退化场景中优于专用模型。
2026-04-03 cs.CV eess.IV
A Tunable Despeckling Neural Network Stabilized via Diffusion Equation
School of Mathematics, Harbin Institute of Technology（哈尔滨工业大学数学学院）；Helmholtz Imaging, Deutsches Elektronen-Synchrotron DESY（德国电子同步加速器亥姆霍兹成像研究所）；Fachbereich Mathematik, Universität Hamburg（汉堡大学数学系）
针对SAR图像去斑中神经网络易受扰动影响的问题，提出一种结合浅层去噪与热方程扩散正则化的可调谐网络，理论保证稳定收敛，实验在模拟、对抗及真实SAR图像上超越现有方法。
2026-09-22 cs.CV eess.IV
GDROS: A Geometry-Guided Dense Registration Framework for Optical-SAR Images under Large Geometric Transformations
College of Electronic Science and Technology, National University of Defense Technology（电子科学与技术学院，国防科技大学）
针对大几何变换下光学与SAR图像配准困难的问题，提出几何引导的密集配准框架GDROS，通过CNN-Transformer提取特征构建4D相关体，并利用最小二乘回归施加仿射变换约束光流场，在多个数据集上显著优于现有方法。
2025-11-01 cs.CV eess.IV
A Coupled Fourth Order Telegraph Diffusion Framework Using Grayscale Indicators for Image Despeckling
School of Mathematical and Statistical Sciences（数学与统计科学学院）；Indian Institute of Technology Mandi（印度理工学院曼迪）
本文提出一种非线性四阶耦合双曲-抛物型PDE模型，通过灰度指标保护纹理和结构，有效去斑并保留细节，实验表明其在PSNR、MSSIM和斑点指数上表现优异。
2026-04-26 cs.CV eess.IV physics.med-ph
Multi-Expert Learning Framework with the State Space Model for Optical and SAR Image Registration
Key Laboratory of Intelligent Perception and Image Understanding of Ministry of Education of China（教育部智能感知与图像理解重点实验室）；Hangzhou Institute of Technology, Xidian University（西安电子科技大学杭州学院）；School of Computer Science, Xidian University（西安电子科技大学计算机学院）；Department of Automation, Tsinghua University（清华大学自动化系）
本文提出ME-SSM框架，通过多专家学习和状态空间模型提升光学与SAR图像配准的精度与效率。
2026-02-10 cs.CV
SAFE: a SAR Feature Extractor based on self-supervised learning and masked Siamese ViTs
ONERA（法国航空航天研究院）；Université Paris-Saclay（巴黎萨克雷大学）；CentraleSupélec（中央理工高等电力学院）
本文提出基于掩码孪生视觉Transformer的自监督SAR特征提取器SAFE，利用对比学习和SAR专用增强技术，在少样本分类与分割等任务中达到或超越现有方法。
2024-06-30 cs.CV eess.IV
Fast strategies for multi-temporal speckle reduction of Sentinel-1 GRD images
LTCI, Télécom Paris, Institut Polytechnique de Paris（巴黎理工学院巴黎电信学院LTCI）；Univ Lyon, UJM-Saint-Etienne（里昂大学圣艾蒂安让·莫内大学）；CNRS（法国国家科学研究中心）；Laboratoire Hubert Curien UMR 5516（于贝尔·居里安实验室（UMR 5516））
抑制合成孔径雷达（SAR）图像中的相干斑噪声，限制其物理参数的变化，是充分挖掘SAR数据潜力的关键步骤。如今，深度学习方法在单图像SAR恢复中产生了最先进的结果。然而，现在通常可以获得巨大的多时相堆栈，并且可以有效地利用这些堆栈来进一步提高图像质量。本文探讨了两种快速的策略，采用单图像去斑算法，即SAR 2SAR，在多时间框架。第一种方法是基于Quegan滤波器，用SAR 2SAR代替局部反射率预估计。第二种方法是利用SAR ~（2+）SAR对时间序列的时间算术平均值进行“超图像”形式的多时间信息进行编码，得到一幅比值图像，并利用该比值图像抑制相干斑。Sentinel-1 GRD数据上的实验结果表明，这两种多时相策略在增加有限计算成本的同时提供了改进的滤波结果。
2022-07-22 cs.CV eess.IV
Multi-task SAR Image Processing via GAN-based Unsupervised Manipulation
School of Electronic Engineering, Xidian University（西安电子科技大学电子工程学院）；Kunshan Innovation Institute of Xidian University（西安电子科技大学昆山创新研究院）；University of Montenegro（黑山大学）
本文提出无监督框架GUE，通过训练专用网络解耦GAN潜空间语义方向，在单次无监督训练中实现SAR图像去斑、定位、辅助识别和旋转编辑等多任务处理。
2024-08-02 cs.CV eess.IV
A Fuzzy Edge Detector Driven Telegraph Total Variation Model For Image Despeckling
斑点噪声抑制是高层次图像分析的一个具有挑战性和关键的预处理阶段。本文利用电报全变分方程和模糊集理论对相干斑噪声的抑制进行了新的尝试。直觉模糊发散（IFD）函数已被用来区分边缘和噪声。据作者所知，大多数关于乘性散斑噪声去除过程的研究仅集中在基于扩散的滤波器上，而很少关注模糊集理论的研究。该方法结合了电报全变分方程和模糊边缘检测器的优点，不仅对噪声具有较强的鲁棒性，而且能较好地保留图像的结构细节。利用Schauder不动点定理证明了该模型正则化后弱解的存在唯一性。利用该模型对自然图像和合成孔径雷达（SAR）图像进行了相干斑抑制。该模型的实验结果报告，发现更好的噪声抑制和细节/边缘保护方面，相对于现有的方法。
2019-08-06 cs.NA eess.IV math.AP
Physically Explainable CNN for SAR Image Classification
Northwestern Polytechnical University（西北工业大学）；Remote Sensing Technology Institute (IMF), German Aerospace Center (DLR)（德国航空航天中心（DLR）遥感技术研究所（IMF））；University POLITEHNICA of Bucharest (UPB)（布加勒斯特理工大学（UPB））
为了增强深度学习的可解释性和物理意识，将合成孔径雷达（SAR）的特殊电磁特性集成到深度神经网络中至关重要。在本文中，我们首先提出了一种新的物理可解释的卷积神经网络的SAR图像分类，即物理引导和注入学习（PGIL）。它包括三个部分：（1）提供先验物理知识的可解释模型（XM），（2）将知识编码为物理感知特征的物理引导网络（PGN），以及（3）将物理感知特征自适应地引入分类流水线以用于标签预测的物理注入网络（PIN）。提出了一种用于评估的混合图像-物理SAR数据集格式，并对Sentinel-1和Gaofen-3 SAR数据进行了实验。实验结果表明，与数据驱动的CNN和其他预训练方法相比，PGIL在有限标记数据的情况下显著提高了分类性能.此外，物理解释进行了讨论，以表明可解释性和物理一致性保留的预测。我们认为，该方法将促进物理可解释的深度学习在SAR图像解释领域的发展。
2022-06-02 cs.CV eess.IV
Identifying Corresponding Patches in SAR and Optical Images with a Pseudo-Siamese CNN
Technical University of Munich（慕尼黑工业大学）；Remote Sensing Technology Institute, German Aerospace Center（德国航空航天中心遥感技术研究所）
在这封信中，我们提出了一个伪连体卷积神经网络（CNN）的架构，能够解决识别相应的补丁在超高分辨率（VHR）的光学和合成孔径雷达（SAR）遥感图像的任务。在两个并行网络流中使用八个卷积层，用于融合每个流中学习的特征的全连接层，以及基于二进制交叉熵的损失函数，我们实现了两个补丁是否对应的独热指示。该网络是在自动生成的数据集上进行训练和测试的，该数据集基于通过先前重建并随后配准的3D点云对SAR和光学图像进行确定性对齐。从卫星图像中提取组成我们数据集的补丁，显示了包含许多高架物体（即建筑物）的复杂城市场景，从而提供了最困难的实验环境之一。所取得的结果表明，该网络是能够预测相应的补丁具有较高的精度，从而表明进一步发展的潜力，对一个广义的多传感器的关键点匹配过程。索引术语-合成孔径雷达（SAR）、光学成像、数据融合、深度学习、卷积神经网络（CNN）、图像匹配、深度匹配
2018-01-25 cs.CV eess.IV
Deep Learning-Based Multiband Signal Fusion for 3-D SAR Super-Resolution
The University of Texas at Dallas（德克萨斯大学达拉斯分校）
针对高带宽3-D SAR成像成本高、现有多波段融合方法不适用于复杂真实场景的问题，提出基于双域复值CNN的kR-Net融合多波段信号填补频率间隙，实现复杂目标高分辨率成像，并搭建了集成毫米波雷达系统。
2023-05-03 cs.AI cs.CV eess.SP
NeighCNN: A CNN based SAR Speckle Reduction using Feature preserving Loss Function
Birla Institute of Technology and Science（比尔拉科技与工程学院）
像合成孔径雷达这样的相干成像系统容易受到乘性噪声的影响，这使得自动目标识别等应用具有挑战性。在本文中，NeighCNN是一种基于深度学习的斑点减少算法，它可以用相对简单的卷积神经网络架构来处理乘性噪声。我们设计了一个损失函数，它是欧几里德加权和、邻域和感知损失的独特组合，用于训练深度网络。欧几里德和邻域损失考虑像素级信息，而感知损失考虑两个图像之间的高级语义特征。各种合成的，以及真实的SAR图像，用于测试的NeighCNN架构，结果验证了所提出的架构的噪声去除和边缘保护能力。性能指标，如峰值信噪比，结构相似性指数，通用图像质量指数用于评估所提出的架构上的合成图像的效率。
2021-08-26 cs.CV eess.IV
On Solving SAR Imaging Inverse Problems Using Non-Convex Regularization with a Cauchy-based Penalty
合成孔径雷达（SAR）图像可以在许多应用中提供有用的信息，包括气候变化、环境监测、气象学、高维制图、船舶监测或行星探索。在本文中，我们调查的解决方案，在SAR成像中遇到的一些逆问题。我们提出了一个凸邻近分裂方法的优化代价函数，其中包括一个非凸柯西为基础的罚款。通过仔细选择前向-后向（FB）算法中的模型参数来确保总体代价函数优化的收敛。建议的惩罚函数的性能进行评估，通过解决三个标准的SAR成像逆问题，包括超分辨率，图像形成，降斑，以及船舶尾流检测海事应用。所提出的方法相比，采用经典的惩罚函数，如全变差（$TV$）和$L_1$规范，和广义极小极大凹（GMC）的罚款。我们表明，建议柯西为基础的罚函数导致更好的图像重建的结果相比，本文中的所有SAR成像逆问题的参考罚函数。
2020-06-03 eess.IV eess.SP
CCESAR: Coastline Classification-Extraction From SAR Images Using CNN-U-Net Combination
International Institute of Information Technology Bangalore（班加罗尔国际信息技术学院）
本文提出CCESAR两阶段模型，结合CNN分类与U-Net分割，从SAR图像中提取海岸线，实验证明其优于单一U-Net模型。
2025-01-21 cs.CV cs.LG eess.IV
Multi-temporal speckle reduction with self-supervised deep neural networks
LTCI, Télécom Paris, Institut Polytechnique de Paris（巴黎理工学院巴黎电信学院 LTCI 实验室）；Univ Lyon, UJM-Saint-Etienne（里昂大学圣艾蒂安让·莫内大学）；CNRS（法国国家科学研究中心）；Laboratoire Hubert Curien UMR 5516（于贝尔·居里安实验室（UMR 5516））；Laboratoire MAP5, UMR CNRS 8145（MAP5 实验室（法国国家科学研究中心 UMR 8145））；Université Paris Cité（巴黎西岱大学）
相干斑滤波是合成孔径雷达（SAR）图像分析的前提。在单图像去斑领域已经取得了巨大的进展。最新的技术依赖于深度神经网络来恢复SAR图像特有的各种结构和纹理。SAR图像的时间序列的可用性提供了通过在相同区域上组合不同斑点实现来改进斑点滤波的可能性。深度神经网络的监督训练需要地面真实无斑点图像。这种图像只能通过某种形式的平均，通过空间或时间积分间接获得，并且是不完美的。鉴于非常高的质量恢复的潜力可达到的多时间斑点滤波，地面实况图像的限制需要规避。我们扩展了最近的自我监督训练策略，单看复杂的SAR图像，称为MERLIN，多时间滤波的情况下。这需要在空间和时间维度以及复振幅的实部和虚部之间对统计依赖性的来源进行建模。对模拟相干斑数据集的定量分析表明，当包含额外的SAR图像时，相干斑抑制有明显的改善。然后，我们的方法被应用到堆栈的TerraSAR-X图像，并表现出优于竞争的多时间斑点滤波方法。训练模型的代码可在巴黎理工学院LTCI实验室Icons团队的Gitlab上免费获得（https：//gitlab.telecom-paris.fr/ring/multi-temporal-merlin/）。
2022-07-25 cs.CV eess.IV
A Generalized Gaussian Extension to the Rician Distribution for SAR Image Modeling
本文提出了一种新的统计模型，$\textit{the generalized-Gaussian-Rician}$（GG-Rician）分布，用于合成孔径雷达（SAR）图像的表征。由于准确的统计模型会导致更好的结果，如目标跟踪，分类，或去斑的应用，表征SAR图像的各种场景，包括城市，海面，或农业，是必不可少的。建议的统计模型是基于Rician分布来模拟一个复杂的SAR信号的幅度，其同相和正交分量被假定为广义高斯分布。进一步扩展了幅度GG-Rician模型，使之适用于强度SAR信号。在实验分析中，GG-Rician模型的振幅和强度的SAR图像的各种频段和场景相比，国家的最先进的统计模型，包括$\mathcal{K}$，威布尔，伽玛，对数正态分布。为了确定最合适的模型，通过Kullback-Leibler散度和Kolmogorov-Smirnov统计进行统计显著性分析。结果表明，该模型的优越性能和灵活性的所有频段和场景，其适用性的幅度和强度的SAR图像。Matlab软件包可在https://github.com/oktaykarakus/GG-Rician-SAR-Image-Modelling上获得。
2021-04-07 eess.IV eess.SP stat.AP
A Light-Weighted Convolutional Neural Network for Bitemporal SAR Image Change Detection
Xidian University（西安电子科技大学）；Wuhan University（武汉大学）
近年来，许多卷积神经网络（CNN）被成功地应用于双时相SAR图像变化检测。然而，大多数现有的网络过于沉重，并占用大量的存储和计算的内存。受此启发，在本文中，我们提出了一个轻量级的神经网络，以减少计算和空间的复杂性，并促进边缘设备上的变化检测。在所提出的网络中，我们用瓶颈层取代了正常的卷积层，使输入和输出之间的通道数量保持不变。接下来，我们使用具有一些非零条目的扩张卷积核，以减少卷积运算符的运行时间。与传统的卷积神经网络相比，我们的轻量级神经网络将更有效地与更少的参数。我们验证了我们的轻量级神经网络上的四套双时SAR图像。实验结果表明，与传统的CNN相比，该网络具有更好的性能和更好的模型泛化能力，特别是在复杂场景的挑战性数据集上。
2020-06-21 cs.CV eess.IV
Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1
University of Alicante（阿利坎特大学）；Institute for Computer Research (IUII)（计算机研究所（IUII））
本研究提出了一种基于卷积神经网络的极化SAR图像斑点滤波完整框架，通过复协方差矩阵的可逆变换和变化检测策略，在有效抑制斑点的同时保持分辨率且不引入伪影，适用于进一步的极化处理。
2024-08-29 cs.CV eess.IV eess.SP
Deep Learning for Reliable Classification of COVID-19, MERS, and SARS from Chest X-Ray Images
Qatar University（卡塔尔大学）；Universiti Kebangsaan Malaysia（马来西亚国民大学）
新型冠状病毒病（COVID-19）是一种传染性极强且传播迅速的冠状病毒感染。2002年和2011年爆发的严重急性呼吸系统综合征（SARS）和中东呼吸系统综合征（MERS）以及目前的COVID-19大流行都来自同一个冠状病毒家族。这项工作旨在使用深度卷积神经网络（CNN）对COVID-19，SARS和MERS胸部X射线（CXR）图像进行分类。创建了一个独特的数据库，即所谓的QU-COVID-family，由423张COVID-19，144张MERS和134张SARS CXR图像组成。此外，提出了一种鲁棒的COVID-19识别系统，以使用CNN分割模型（U-Net）识别肺部区域，然后使用预训练的CNN分类器将分割的肺部图像分类为COVID-19、MERS或SARS。此外，Score-CAM可视化方法用于可视化分类输出并理解深度CNN决策背后的推理。几个深度学习分类器进行了训练和测试;报告了四个表现出色的算法。原始图像和预处理图像被单独使用，并一起作为网络的输入。两种识别方案被认为是：平原CXR分类和分段CXR分类。对于普通CXR，观察到InceptionV 3优于其他具有3通道方案的网络，并分别实现了99.5%，93.1%和97%的COVID-19，MERS和SARS图像分类灵敏度。相比之下，对于分割的CXR，InceptionV 3优于使用原始CXR数据集，并分别实现了96.94%，…
2021-06-01 cs.CV cs.LG eess.IV
Towards CT-quality Ultrasound Imaging using Deep Learning
Technion -- Israel Institute of Technology（以色列理工学院）；University of Waterloo（滑铁卢大学）
超声成像的成本效益和实际无害性使其成为最广泛的医疗诊断工具之一。不幸的是，基于波束形成的图像形成产生颗粒状斑点噪声、模糊、阴影和其他伪影。为了克服这些影响，最终目标将是通过求解全波传播逆问题来重建组织声学特性。在这项工作中，我们使用多分辨率卷积神经网络（CNN）朝着这个目标迈出了一步。因此，我们能够重建CT质量的图像，从反射的超声射频（RF）的数据，通过模拟从真实的CT扫描人体。我们还表明，CNN是能够模仿现有的计算繁重的去斑方法，从而节省数量级的计算，使他们适合实时应用。
2017-10-17 cs.CV eess.IV physics.med-ph
Integrating global spatial features in CNN based Hyperspectral/SAR imagery classification
Beijing University of Chemical Technology（北京化工大学）；Sugon Information Industry Co., Ltd（曙光信息产业有限公司）
土地覆被分类在遥感中发挥着重要的作用，因为它可以智能地识别一个巨大的遥感图像中的东西，以减少人类的工作。然而，许多分类方法都是基于遥感图像的像元特征或有限的空间特征设计的，这限制了其分类精度和通用性。提出了一种新的遥感图像信息提取方法，地理经纬度信息。此外，结合全局信息设计了双分支卷积神经网络（CNN）分类方法，挖掘图像的像素特征。然后将两个神经网络的特征融合到另一个完全神经网络中，实现遥感图像的分类。最后，两个遥感图像，包括高光谱成像（HSI）和极化合成孔径雷达（PolSAR）图像来验证我们的方法的有效性。与传统的单通道卷积神经网络相比，该方法具有更好的识别效果。
2020-06-15 cs.CV cs.LG eess.IV
A CNN regression model to estimate buildings height maps using Sentinel-1 SAR and Sentinel-2 MSI time series
KTH Royal Institute of Technology（KTH皇家理工学院）；University of Liège（列日大学）
本文提出 MBHR-Net，融合 Sentinel-1 SAR 与 Sentinel-2 多光谱时间序列，在 10 米分辨率下回归估计建筑物高度，并在荷兰 10 个城市验证其有效性。
2023-07-03 cs.AI cs.CV eess.IV
SAR Image Change Detection Based on Multiscale Capsule Network
Ocean University of China（中国海洋大学）；Southwest Jiaotong University（西南交通大学）
传统的基于卷积神经网络的合成孔径雷达图像变化检测方法面临着斑点噪声和变形敏感性的挑战。为了缓解这些问题，我们提出了一个多尺度胶囊网络（Ms-CapsNet）来提取变化和不变像素之间的区别信息。一方面，多尺度胶囊模块被用来利用特征的空间关系。因此，可以通过聚合来自不同位置的特征来实现等变特性。另一方面，一个自适应融合卷积（AFC）模块的建议Ms-CapsNet的设计。可以为初级胶囊捕获更高的语义特征。AFC模块提取的特征显著提高了对斑点噪声的鲁棒性。建议Ms-CapsNet的有效性进行了验证，在三个真实的SAR数据集。与四种最新方法的对比实验证明了该方法的有效性。我们的代码可在https://github.com/summitgao/SAR_CD_MS_CapsNet上获得。
2022-01-22 cs.CV eess.IV
A Convolutional Neural Network with Parallel Multi-Scale Spatial Pooling to Detect Temporal Changes in SAR Images
School of Artificial Intelligence, Xidian University（西安电子科技大学人工智能学院）
在合成孔径雷达（SAR）图像变化检测中，如何从受相干斑噪声影响的差分图像中提取变化信息是一个很有挑战性的问题。在本文中，我们提出了一个多尺度空间池（MSSP）网络，利用变化的信息，从嘈杂的差异图像。与传统的卷积网络仅具有单尺度池化核不同，在所提出的方法中，在卷积网络中配备多尺度池化核，以利用来自差分图像的变化区域的空间上下文信息。此外，为了验证所提出的方法的泛化能力，我们将我们提出的方法应用到跨数据集的双时SAR图像变化检测中，其中MSSP网络（MSSP-Net）在数据集上进行训练，然后应用到未知的测试数据集。我们比较了所提出的方法与其他国家的艺术和比较具有挑战性的双时SAR图像数据集上进行。实验结果表明，我们提出的方法在YR-A和YR-B数据集上获得了与S-PCA-Net相当的结果，并且优于其他最先进的方法，特别是在场景更复杂的仙台A和仙台B数据集上。更重要的是，MSSP-Net比S-PCA-Net和卷积神经网络（CNN）更有效，在训练和测试阶段的执行时间更少。
2020-05-22 cs.CV eess.IV
Global in Local: A Convolutional Transformer for SAR ATR FSL
本文提出卷积Transformer（ConvT）用于SAR目标识别小样本学习，通过分层全局依赖建模、混合对比损失和自动增强，在MSTAR数据集上无需额外训练数据即取得领先性能。
2023-08-10 eess.IV
Synthetic Aperture Radar Image Change Detection via Layer Attention-Based Noise-Tolerant Network
Ocean University of China（中国海洋大学）；Mississippi State University（密西西比州立大学）；Southwest Jiaotong University（西南交通大学）
近年来，基于卷积神经网络（CNN）的合成孔径雷达（SAR）图像变化检测方法得到了越来越多的研究关注。然而，现有的基于CNN的方法忽略了多层卷积之间的相互作用，并且预分类中涉及的错误限制了网络优化。为此，我们提出了一种基于层注意力的噪声容忍网络，称为LANTNet。特别是，我们设计了一个层注意模块，自适应加权不同的卷积层的功能。此外，我们设计了一个噪声容忍的损失函数，有效地抑制噪声标签的影响。因此，该模型对预分类结果中的噪声标签不敏感。在三个SAR数据集上的实验结果表明，所提出的LANTNet的性能优于几个国家的最先进的方法。源代码可在https://github.com/summitgao/LANTNet上获得
2022-08-09 cs.CV eess.IV
A Structure-Aware Relation Network for Thoracic Diseases Detection and Segmentation
Deepwise AI Lab（深睿医疗人工智能实验室）；School of Electronics Engineering and Computer Science, University of Peking（北京大学电子工程与计算机科学学院）；School of Automation, University of Northwestern Polytechnical（西北工业大学自动化学院）；Department of Computer Science, University of Hong Kong（香港大学计算机科学系）
胸部疾病或异常的实例级检测和分割是胸部X射线图像自动诊断的关键。利用从领域知识中提取的恒定结构和疾病关系，我们提出了一种结构感知关系网络（SAR-Net）扩展Mask R-CNN。SAR网络由三个关系模块组成：1。所述解剖结构关系模块编码疾病和解剖部分之间的空间关系。2.上下文关系模块基于疾病RoI和肺字段的查询-密钥对聚合线索。3.所述疾病关系模块将共现和因果关系传播到疾病建议中。为了制作一个实用的系统，我们还提供了ChestX-Det，一个带有实例级注释（框和掩码）的胸部X射线数据集。ChestX-Det是公共数据集NIH ChestX-ray 14的子集。它包含由三位委员会认证的放射科医生标记的13种常见疾病类别的约3500张图像。我们在它和另一个数据集DR-Private上评估我们的SAR-Net。实验结果表明，它可以增强Mask R-CNN的强基线，并有显着的改善。ChestX-Det在https://github.com/Deepwise-AILab/ChestX-Det-Dataset上发布。
2021-04-21 cs.CV eess.IV
DeepInSAR: A Deep Learning Framework for SAR Interferometric Phase Restoration and Coherence Estimation
University of Alberta（阿尔伯塔大学）；vGeomatics Inc.（3v地理信息公司）
在过去的十年中，干涉合成孔径雷达（InSAR）已成为一种成功的遥感技术。然而，在采集步骤中，在卫星上接收到的微波反射通常被强噪声干扰，导致噪声单视复合（SLC）SAR图像。其干涉相位的质量甚至更差。InSAR相位滤波是一个不适定问题，在后续处理中起着关键作用。然而，大多数现有的方法通常需要专家监督或繁重的运行时间，这限制了实际应用的可用性和可扩展性，如广域监测和预测。在这项工作中，我们提出了一个基于深度卷积神经网络（CNN）的模型DeepInSAR智能地解决相位滤波和相干估计问题。我们使用模拟和真实数据演示了我们的DeepInSAR。针对实际InSAR数据没有地面真值样本的问题，提出了一种教师-学生框架。定量和定性比较表明，DeepInSAR在新的测试数据集上实现了与基于堆栈的教师方法相当甚至更好的结果，但需要更少的SLC对，并且优于其他三种基于非堆栈的方法，运行时间更短，无需人工监督。
2020-05-27 cs.CV eess.IV
