Deep Denoising Prior-Based Spectral Estimation for Phaseless Synthetic Aperture Radar
提出一种基于深度去噪先验的无相位SAR成像方法，通过在频谱估计的幂迭代中引入深度去噪器并在即插即用框架下构建深度成像网络，扩展了无相位成像的适用性。
2023-06-29 eess.SP
Interferometric Passive Radar Imaging with Deep Denoising Priors
无源雷达在成本和隐身方面比有源雷达具有关键优势。在本文中，我们解决被动雷达成像问题的干涉反演使用的频谱估计方法与先验信息的深度学习（DL）框架内。尽管缺乏协作发射机，但是对来自不同观看方向的接收信号进行互相关减轻了共享发射机相关相位分量的影响，并且允许经由干涉反演进行易处理的推断。因此，我们利用深度架构来建模先验信息，并提高最先进方法的样本效率。我们的方法包括一个迭代算法的基础上推广的权力的方法，并适用于去噪器使用即插即用（PPENS）和正则化去噪（RED）技术。我们评估我们的方法使用模拟数据的被动合成孔径雷达（SAR），使用卷积神经网络（CNN）作为去噪。数值实验表明，我们的方法可以实现更快的重建速度和优越的图像质量比国家的最先进的被动干涉成像算法的样品饥饿制度。
2022-12-04 eess.IV eess.SP
Deep Interference Mitigation and Denoising of Real-World FMCW Radar Signals
Graz University of Technology（格拉茨工业大学）；Infineon Technologies Austria AG（英飞凌科技奥地利股份公司）
雷达传感器对于驾驶员辅助系统和自动驾驶汽车的环境感知至关重要。关键性能因素是精细的距离分辨率和直接测量速度的可能性。随着雷达传感器数量的不断增加和汽车雷达频段的不规范，相互干扰是不可避免的，必须加以处理。传感器必须能够检测，甚至减轻干扰的有害影响，包括降低检测灵敏度。在本文中，我们评估了一个卷积神经网络（CNN）为基础的方法，对现实世界的雷达测量干扰减轻。我们将真实测量与模拟干扰相结合，以创建适合训练模型的输入输出数据。我们分析的性能模型的复杂性关系的模拟和测量数据，广泛的参数搜索的基础上。此外，有限样本量性能比较显示了在模拟或真实数据上训练的模型以及迁移学习的有效性。与现有技术的比较性能分析强调了基于CNN的模型在减少干扰和对真实测量进行降噪方面的潜力，同时考虑了硬件的资源限制。
2020-12-04 cs.LG eess.SP
RIS-Aided ISAC in Cluttered Environments
Van Lang University（万隆大学）
研究杂乱环境中 RIS 辅助的 ISAC 系统性能，推导通信链路容量表达式和感知的 SCNR，分离不同杂波，通过分辨率归一化指标评估距离和速度估计，蒙特卡罗仿真验证分析，揭示零多普勒杂波泄漏对 SCNR 的主导作用。
2026-07-21 eess.SP
Complex-valued Convolutional Neural Networks for Enhanced Radar Signal Denoising and Interference Mitigation
Graz University of Technology（格拉茨技术大学）；Infineon Technologies Austria AG（英飞凌科技奥地利公司）
自动驾驶高度依赖于有能力的传感器来感知环境并向车辆的控制系统提供可靠的信息。为了提高其鲁棒性，使用了一组多样化的传感器，包括雷达传感器。雷达是传感信息的重要贡献，提供高分辨率的距离和速度测量。雷达传感器在道路交通中的使用越来越多，这带来了新的挑战。由于迄今为止不受管制的频段变得越来越拥挤，雷达传感器遭受多个雷达传感器之间的相互干扰。必须减轻这种干扰，以确保高和一致的检测灵敏度。在本文中，我们提出了使用复值卷积神经网络（CVCNN）来解决雷达传感器之间的相互干扰问题。我们将以前开发的方法扩展到复域，以便根据其物理特性处理雷达数据。这不仅提高了数据效率，而且改善了滤波期间相位信息的保存，这对于进一步处理（例如角度估计）至关重要。我们的实验表明，CVCNN的使用提高了数据效率，加快了网络训练速度，并大大提高了干扰消除过程中相位信息的保存。
2021-04-29 cs.CV eess.SP
Complex Signal Denoising and Interference Mitigation for Automotive Radar Using Convolutional Neural Networks
Graz University of Technology（格拉茨技术大学）；Infineon Technologies Austria AG（英飞凌科技奥地利股份公司）
驾驶员辅助系统以及自动驾驶汽车必须依赖传感器来感知其环境。一组异构的传感器被用来执行这项任务鲁棒。其中，雷达传感器是必不可少的，因为它们的距离分辨率和直接测量速度的可能性。由于越来越多的雷达传感器部署在街道上，必须处理相互干扰。在迄今为止未受管制的汽车雷达频段中，传感器必须能够检测或甚至减轻干扰的有害影响，其包括降低的检测灵敏度。在本文中，我们使用卷积神经网络（CNN）来解决这个问题，CNN是最先进的机器学习工具。我们证明了CNN在数据中找到结构化信息的能力，同时保留局部信息，从而实现了卓越的去噪性能。为了实现这一点，使用模拟数据进行训练来找到CNN参数，并将其集成到汽车雷达信号处理链中。所提出的方法进行了比较，与最先进的，突出其有前途的性能。因此，CNN可以用于干扰减轻，作为传统信号处理方法的替代。代码和预训练模型可在https://github.com/johanna-rock/imRICnn上获得。
2019-06-25 cs.CV eess.SP
Aircraft Radar Altimeter Interference Mitigation Through a CNN-Layer Only Denoising Autoencoder Architecture
Virginia Tech National Security Institute（弗吉尼亚理工大学国家安全研究所）；The Boeing Company（波音公司）
针对射频通信信号干扰下FMCW雷达高度计测距精度下降的问题，提出纯CNN层去噪自编码器架构，可在强干扰环境下可靠重建雷达信号，显著提升干扰抑制性能与测距精度。
2024-10-04 cs.LG eess.SP
Optimization of Radar Parameters for Maximum Detection Probability Under Generalized Discrete Clutter Conditions Using Stochastic Geometry
我们提出了一个分析框架的基础上随机几何（SG）配方，估计广义离散杂波条件下的雷达的检测性能。我们的离散杂波散射体的空间分布模型作为一个均匀的泊松点过程和每个扩展散射体的雷达截面作为一个随机变量的威布尔分布。使用这个框架，我们推导出一个度量称为雷达检测覆盖概率的函数的雷达参数，如发射功率，系统噪声温度和雷达带宽，和杂波参数，如杂波密度和平均杂波截面。我们推导出最佳的雷达带宽，最大限度地提高这一指标在嘈杂和杂乱的条件下。我们还推导出峰值发射功率，超过该功率，由于杂波限制条件，雷达检测性能将没有明显的改善。当发射功率和带宽都是固定的，我们展示了如何检测阈值可以优化最佳性能。我们的实验验证SG的结果与蒙特卡洛和全波电磁求解器的混合使用时域有限差分（FDTD）技术的模拟。
2022-01-20 eess.SP
Demonstrating Superresolution in Radar Range Estimation Using a Denoising Autoencoder
本研究将去噪自编码器用于雷达亚波长散射体间距估计，实现距离超分辨率，验证了方法的可复现性与鲁棒性，并证实信号设计对分辨率提升有关键作用。
2025-06-17 eess.SP physics.optics
Unified Error Analysis of Multi-site Radar via Equivalent Angular Resolution
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Southern University of Science and Technology（南方科技大学）
本文提出基于等效角分辨率的多站点雷达统一分析框架，通过优化分布式SISO配置，提升室内高精度传感性能，实验验证其在定位误差上的显著改进。
2026-04-17 eess.SP
A Track-Before-Detect Algorithm for UWB Radar Sensor Networks
精确定位和跟踪移动的非合作的人和物体，使用超宽带（UWB）雷达节点的网络已被证明是一个实用和有效的方法。在超宽带雷达传感器网络（RSN）中，强杂波、弱目标回波和密集目标的存在是获得满意跟踪性能的障碍。使用检测前跟踪（TBD）方法，在一个时间段内由每个节点获得的波形被联合处理。利用空间信息和测量之间的时间关系生成所有可能的候选轨迹，并且仅选择最佳轨迹作为结果。数值模拟和两个实验结果，都进行了实际的UWB信号的TBD技术的UWB RSN的有效性得到证实。在第一个实验中，一个人的目标跟踪的单基地雷达网络的平均定位误差为41.9厘米，没有虚警轨迹在一个杂乱的室外环境。在第二次实验中，多基地雷达网分别检测到两个目标，定位误差分别为25.4cm和19.7cm，两个目标的检测率均为88.75%，且无虚警轨迹。
2021-08-01 eess.SP
Multi-Target ISAR Imaging of UAV Swarms Using Fast Reweighted Atomic Norm Denoising
School of Electrical Engineering, IHU University, Tehran, Iran（伊朗大学电气工程学院）
研究无人机群多目标ISAR成像难题，将快速重加权原子范数去噪算法扩展至此场景，构建数学框架，结合加权正则化与二维交替方向乘子法优化，能处理稀疏孔径和噪声，效果优于传统方法。
2026-07-07 eess.SP
A novel ECG signal denoising filter selection algorithm based on conventional neural networks
提出了一种新的基于深度学习的去噪滤波器选择算法，用于含噪心电图（ECG）信号的预处理。在临床条件下测量的ECG信号，诸如在医院中使用皮肤接触设备获取的ECG信号，通常包含基线信号干扰和不想要的伪影;实际上，对于在临床环境之外获得的信号，诸如使用非接触式雷达系统记录的心率特征，测量结果包含比在临床条件下获取的测量结果更大的噪声水平。在本文中，我们专注于使用非接触式雷达系统在辅助生活环境中使用的心率信号。这样的信号包含比在临床条件下测量的那些更多的噪声，并且因此需要能够自适应确定滤波器的新颖的信号噪声去除方法。目前，从这种波形中去除噪声的最常见方法是通过使用滤波器;其中最流行的滤波方法是小波滤波器。然而，在使用不同的滤波方法可能会导致更高的信号噪声比（SNR）的波形的情况下，在本文中，我们调查的小波和椭圆滤波方法的任务，降低噪声的ECG信号采集使用辅助技术。我们提出的卷积神经网络架构分类（92.8%的准确率）的最佳滤波方法的噪声信号的基础上，其预期的SNR值。
2022-01-28 eess.SP
Synthesis of Through-Wall Micro-Doppler Signatures of Human Motions Using Generative Adversarial Networks
针对穿墙场景下雷达微多普勒特征易失真、数据采集成本高的问题，提出用GAN从自由空间特征合成穿墙微多普勒特征，经评估合成数据真实度优异。
2024-04-12 eess.SP
Lightweight Range-Angle Imaging Based Algorithm for Quasi-Static Human Detection on Low-Cost FMCW Radar
University of Waterloo（滑铁卢大学）
本文提出一种基于轻量级范围-角度成像算法的非视觉方法，利用低成本FMCW雷达实现鲁棒的近静态人体检测，在复杂室内环境中提高检测准确率并提升处理速度。
2026-02-15 eess.SP
Vision Transformer for Classification of UAV and Helicopters Using Micro-Doppler Spectrograms in Surveillance Radar
Warsaw University of Technology（华沙理工大学）；PIT-RADWAR S.A.（PIT-RADWAR 公司）
本文提出使用视觉变换器对不同持续时间的无人机和直升机微多普勒光谱进行分类，通过改进的双树复小波变换提高信号质量，并在实际雷达数据上实现了97.76%的分类准确率。
2025-11-29 eess.SP
MMVR: Millimeter-wave Multi-View Radar Dataset and Benchmark for Indoor Perception
Mitsubishi Electric Research Laboratories (MERL)（三菱电机研究实验室（MERL））
本文提出MMVR数据集，含345K多视角雷达帧、446K标注实例及759万关键点，支持室内目标检测、姿态估计和实例分割，并给出基准，以促进室内导航、能源管理和老年护理。
2024-07-17 cs.CV cs.DB eess.SP
mmAnomaly: Leveraging Visual Context for Robust Anomaly Detection in the Non-Visual World with mmWave Radar
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
mmAnomaly结合毫米波雷达与RGBD输入，通过语义线索和生成模型实现鲁棒的异常检测，应用于隐蔽武器、穿墙入侵和穿墙跌倒检测，达到94%的F1分数和亚米定位精度。
2026-04-01 cs.CV eess.SP
Joint Waveform and Beamforming Design in RIS-ISAC Systems: A Model-Driven Learning Approach
针对RIS-ISAC系统中SLP波形与RIS无源波束成形联合设计计算复杂的问题，提出展开ADMM的模型驱动学习方法，在保证QoS下优化雷达SINR与CRB，并显著降低计算复杂度。
2025-02-20 eess.SP
Deep Generative Models for Bayesian Inference on High-Rate Sensor Data: Applications in Automotive Radar and Medical Imaging
针对深度生成模型直接应用于原始传感数据存在的高动态范围、非高斯差异及实时性等挑战，本文围绕汽车雷达和医学成像应用，提出解决高速率传感器数据贝叶斯推理问题的方法。
2025-04-16 eess.SP
REXO: Indoor Multi-View Radar Object Detection via 3D Bounding Box Diffusion
MERL；ITC
REXO通过3D边界框扩散提升多视角室内雷达目标检测，利用先验知识减少参数并提升检测性能。
2026-01-12 cs.AI cs.CV cs.LG
Constant Modulus Waveform Design with Space-Time Sidelobe Reduction for DFRC Systems
Purdue University（普渡大学）；The University of Akron（阿克伦大学）
本文提出了一种用于DFRC系统的常模波形设计方法，通过空间-时间旁瓣减少提升目标检测和成像性能。
2025-12-22 eess.SP
Unsupervised Detection of Underground Tunnels in Ground-Penetrating Radar Using Depth-Restricted Reconstruction Scoring
University of Strathclyde（斯特拉思克莱德大学）；CASE Institute of Technology（CASE技术学院）
研究利用探地雷达检测地下隧道，提出无监督检测管道，通过去噪卷积自动编码器学习正常地下结构，用重建误差标记隧道，核心贡献是深度受限top-k异常评分提升检测效果。
2026-07-07 cs.CV cs.LG eess.SP
Noise reduction in ISAR imaging of UAVs using weighted atomic norm minimization and 2D-ADMM algorithm
针对低信噪比下无人机稀疏孔径ISAR成像噪声问题，提出基于加权原子范数最小化的FRAND算法，并用2D-ADMM加速求解，实验证明其在MSE、PSNR和SSIM上优于MUSIC、Cadzow和SL0。
2024-06-16 eess.SP
