Automatic Target Recognition on Synthetic Aperture Radar Imagery: A Survey
City University of London（伦敦城市大学）
自动目标识别（ATR）技术是提高军事平台智能化、自主化水平的核心技术之一。受此刺激，并考虑到合成孔径雷达（SAR）提出了几个优点，其对应的数据域，本文调查和评估目前的SAR ATR架构，采用最流行的数据集的SAR域，即运动和静止目标采集和识别（MSTAR）数据集。根据目前的方法趋势，我们提出了一个分类的SAR ATR架构，以及直接比较的优势和劣势，每种方法在标准和扩展的操作条件下。此外，尽管MSTAR是标准的SAR ATR基准数据集，我们也强调了它的弱点，并提出了未来的研究方向。
2020-12-12 cs.CV eess.IV eess.SP
Water Level Estimation Using Sentinel-1 Synthetic Aperture Radar Imagery And Digital Elevation Models
University of Science Vietnam National University Ho Chi Minh City（胡志明市国家大学理学院）
水电站大坝和水库已被确定为重新界定自然水文循环的主要因素。因此，监测水库的水资源状况对水资源的规划和管理，以及预测干旱和洪水起着至关重要的作用。这项任务传统上是通过在水体附近的地面上安装传感器站来完成的，这在维护成本、可访问性和全球覆盖方面具有多个缺点。为了解决这些问题，人们积极研究了遥感技术的许多应用。遥感技术是一门在不接触物体或区域的情况下获得有关物体或区域信息的科学。本文提出了一种基于Sentinel-1合成孔径雷达图像和数字高程模型数据集的水位提取方法。实验结果表明，该算法在全球三个水库的平均误差为0.93米，证明了其广泛应用和进一步研究的潜力。
2020-12-28 cs.LG 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
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
Change Detection in Synthetic Aperture Radar Images Using a Dual-Domain 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）
合成孔径雷达（SAR）图像变化检测是一项关键而又具有挑战性的任务。现有的方法主要集中在空间域的特征提取，对频域的关注较少。此外，在逐块特征分析中，边缘区域中的一些噪声特征可能被引入。为了解决上述两个问题，我们提出了一个双域网络。具体地说，我们从离散余弦变换域的功能考虑和整形的DCT系数集成到所提出的模型作为频域分支。从频域和空间域的特征表示被用来减轻斑点噪声。此外，我们进一步提出了一个多区域卷积模块，它强调了每个补丁的中心区域。上下文信息和中心区域特征自适应建模。在三个SAR数据集上的实验结果证明了该模型的有效性。我们的代码可在https://github.com/summitgao/SAR_CD_DDNet上获得。
2021-04-15 cs.CV eess.IV
Change Detection from Synthetic Aperture Radar Images via Graph-Based Knowledge Supplement Network
Ocean University of China（中国海洋大学）；Meteorological Bureau of Tianjin Municipality（天津市气象局）；Mississippi State University（密西西比州立大学）
合成孔径雷达（SAR）图像变化检测是遥感图像分析领域中一个重要而又具有挑战性的课题。大多数以前的作品采用自监督的方法，使用伪标记的样本来指导后续的训练和测试。然而，深度网络通常需要许多高质量的样本来进行参数优化。伪标签中的噪声不可避免地影响最终的变化检测性能。为了解决这个问题，我们提出了一个基于图的知识补充网络（GKSNet）。更具体地说，我们从已有的标记数据集中提取判别信息作为附加知识，在一定程度上抑制噪声样本的不利影响。然后，我们设计了一个图转换模块，从标记数据集到目标数据集的上下文信息，它的桥梁数据集之间的特征相关性。为了验证所提出的方法，我们进行了广泛的实验，四个SAR数据集，这表明了所提出的GKSNet相比，几个国家的最先进的基线的优越性。我们的代码可在https://github.com/summitgao/SAR_CD_GKSNet上获得。
2022-02-09 cs.CV eess.IV
Statistical characterization of scattering delay in synthetic aperture radar imaging
区分合成孔径雷达（SAR）图像中的瞬时散射体和延迟散射体对于目标识别和特征描述具有重要意义。要执行此任务，可以使用坐标延迟图像的自相关分析。然而，由于距离延迟模糊，瞬时目标和延迟目标之间的相关特性的差异可能很小。此外，SAR图像中普遍存在的斑点噪声影响了SAR图像的分辨力，需要进行统计处理。在此之前，我们已经开发了一种基于最大似然的方法来区分SAR图像中的瞬时和延迟目标。为了验证这一点，我们使用了简单的统计模型。它们使我们能够模拟依赖于各种参数的图像集合，包括光圈宽度和目标对比度。在本文中，我们通过建立瞬时和延迟散射体之间的区分的置信水平来增强我们先前开发的方法。我们的程序考虑到不同目标对比度的阈值差异，而不对这些对比度的统计数据做任何假设。
2019-09-22 eess.IV
Change Detection from Synthetic Aperture Radar Images via Dual Path Denoising 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）
随着合成孔径雷达（SAR）传感器的快速发展，SAR图像的变化检测问题越来越受到人们的关注。现有的基于无监督深度学习的方法在利用鲁棒的特征表示方面做出了很大努力，但它们需要花费大量时间来优化参数。此外，这些方法使用聚类来获得用于训练的伪标签，并且伪标签样本通常包含错误，可以被认为是“标签噪声”。为了解决这些问题，我们提出了一个双路径去噪网络（DPDNet）的SAR图像变化检测。特别地，我们引入随机标签传播来清除预分类中涉及的标签噪声。我们还提出了独特的补丁卷积的特征表示学习，以减少时间消耗。具体地说，注意力机制用于选择特征图中的独特像素，并选择这些像素周围的补丁作为卷积核。因此，DPDNet不需要大量的训练样本进行参数优化，其计算效率大大提高。广泛的实验已经进行了5个SAR数据集，以验证所提出的DPDNet。实验结果表明，我们的方法优于几个国家的最先进的方法在变化检测结果。
2022-03-13 cs.CV eess.IV
Complex-valued reservoir computing for aspect classification and slope-angle estimation with low computational cost and high resolution in interferometric synthetic aperture radar
合成孔径雷达（SAR）由于利用了光学观测无法获得的植被和土壤信息而被广泛用于地表分类。图像分类通常采用卷积神经网络。然而，他们有严重的问题，如长的学习时间和分辨率下降，在他们的卷积和池化过程。本文提出了复值储集计算（CVRC）来处理干涉合成孔径雷达（InSAR）中的复值图像。利用CVRC方法成功地对InSAR图像数据进行了分类，具有较高的分辨率和较低的计算代价，学习时间是卷积神经网络的百分之一，分类时间是卷积神经网络的五分之一。我们还进行了实验的倾斜角估计。CVRC被发现适用于处理连续值的定量任务以及具有更高精度的离散分类任务。
2021-04-22 eess.IV eess.SP
Convolution and Attention Mixer for Synthetic Aperture Radar Image Change Detection
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）
本文针对SAR图像变化检测中全局注意力利用不足的问题，提出卷积与注意力混合器CAMixer，通过并行结合自注意力与移位卷积并引入门控前馈网络，在三个数据集上验证了其优越性能。
2023-09-21 cs.CV eess.IV
A Broadband and Compact Millimeter-Wave Imaging System based on Synthetic Aperture Radar
本文讨论了一种基于合成孔径雷达（SAR）技术的宽带毫米波成像系统的设计、实现和演示。所提出的系统，工作在25.3-30.8 GHz的频率范围内，由一个锥形缝隙天线作为发射机和两个半圆形天线作为接收机。天线的尺寸为19.5 * 8 mm，最大增益为8.5 dB。发射器和接收器天线印刷在同一块电路板上。该特征导致高度紧凑和灵活的配置，使得所提出的成像系统能够适用于手持设备。此外，它显著降低了系统的制造成本。所提出的宽带成像系统能够以高分辨率执行3D实时成像，可以容易地针对期望范围内的每个频率进行校准。通过对不同形状的金属物体进行3D成像，我们实验证明了所提出的系统的高性能，这为安全，医疗诊断，隐藏物体检测等广泛的应用提供了巨大的潜力。
2022-05-29 eess.IV physics.app-ph
Spatial Fuzzy Clustering on Synthetic Aperture Radar Images to Detect Changes
近几十年来，数据和数据来源变得越来越重要。科学家和研究人员需要更多的数据来部署人工智能方法，因为该领域不断改进。近年来，技术的快速发展对人类的生存产生了重大影响。收集数据的一个主要领域是卫星技术。随着各种卫星传感器设备的快速发展，合成孔径雷达（SAR）图像已成为各种研究课题的重要数据来源，包括环境研究，城市研究，海岸提取，水源等。变化检测和海岸线检测都是使用SAR图像来实现的。然而相干斑噪声是SAR成像中的一个主要问题。已经提出了几种解决方案来解决这个问题。一种解决方案是将SAR图像暴露于空间模糊聚类。另一个解决方案是分离语音。本研究利用空间函数来克服斑点噪声，并以最高的精度对SAR图像进行聚类。在这项工作中提出的空间功能，因为数据落入一个集群的可能性是这个功能是什么。当空间函数被用于聚类模糊逻辑中的数据时，聚类结果得到改善。建议的聚类技术是我们
2021-08-25 eess.IV
StreamAZ: Line-by-Line SAR Focusing with State Space Models
College of Semiconductor Research（半导体研究学院）；Φ-lab, European Space Agency (ESA)（欧洲空间局（ESA）Φ实验室）；National Tsing Hua University（国立清华大学）；Department of Electrical Engineering（电气工程系）；Advanced Concepts and Studies Office, Department of Electrical Engineering（电气工程系先进概念与研究办公室）
本文提出在线雷达处理器OSP，利用state-space模型实现实时SAR成像，降低延迟和内存使用，通过船舶检测和洪水映射验证其有效性。
2026-11-09 cs.CE cs.ET eess.IV
Synthetic Aperture Radar Image Formation with Uncertainty Quantification
合成孔径雷达（SAR）是一种昼夜全天候成像模式，是遥感的重要工具。现有的合成孔径雷达成像方法大多是以最大后验概率成像，它近似于未知地面场景的反射率。这一幅图像没有提供量化的确定性，估计中的特征应该是可信的。此外，找到模式通常不是询问后验的最佳方式。本文针对这些问题，通过引入一个采样的SAR图像形成的框架。使用共轭先验直接结合相干成像和已知会降低图像质量的有问题的散斑现象来构建分层贝叶斯模型。使用Gibbs采样器获得所产生的后验样本以及控制散斑和噪声的参数。然后，这些样本可以用于计算估计值，并且还可以导出其他统计数据，如方差，这有助于不确定性量化。后者的信息是特别重要的合成孔径雷达，地面实况图像，即使是合成创建的例子通常是未知的。使用真实世界的数据的一个例子的结果表明，基于采样的方法在这里介绍的SAR图像形成提供了无参数的估计，提高对比度和显着减少斑点，以及前所未有的不确定性量化信息。
2020-07-13 eess.IV stat.AP
Synthetic Aperture Radar Image Change Detection via Siamese Adaptive Fusion Network
合成孔径雷达（SAR）图像变化检测是遥感图像分析领域的一个关键而又具有挑战性的课题。由于以下挑战，该任务是不平凡的：首先，SAR图像的固有斑点噪声不可避免地降低了神经网络，因为误差梯度积累。此外，各种级别或尺度的特征图之间的相关性很难通过求和或级联来实现。为此，我们提出了一个连体自适应融合网络的SAR图像变化检测。更具体地说，两个分支的CNN被用来提取多时相SAR图像的高层语义特征。此外，自适应融合模块的设计，自适应地结合卷积层的多尺度响应。因此，利用互补信息，并进一步改善变化检测中的特征学习。此外，相关层的设计，以进一步探索多时相图像之间的相关性。此后，通过softmax的全连接层，利用鲁棒特征表示进行分类。四个真实SAR数据集上的实验结果表明，该方法具有优越的性能，对几个国家的最先进的方法。我们的代码可在https://github.com/summitgao/SAR_CD_SAFNet上获得。
2021-10-18 eess.IV
OpenEarthMap-SAR: A Benchmark Synthetic Aperture Radar Dataset for Global High-Resolution Land Cover Mapping
RIKEN Center for Advanced Intelligence Project (AIP), RIKEN（理化学研究所先进智能中心（AIP），理化学研究所）；Graduate School of Frontier Sciences, The University of Tokyo（东京大学前沿科学研究生院）
针对SAR影像缺乏基准数据集的问题，提出OpenEarthMap-SAR，一个包含150万片段、覆盖多国区域的高分辨率土地覆盖制图基准数据集，并评估了最先进语义分割方法。
2025-01-22 cs.AI cs.CV eess.IV
Sea ice detection using concurrent multispectral and synthetic aperture radar imagery
British Antarctic Survey（英国南极调查局）；The Alan Turing Institute（阿兰·图灵研究所）
本文提出ViSual_IceD，一种基于双并行编码器U-Net的CNN，通过融合并发MSI与SAR影像实现更准确的海冰检测，F1分数比次优网络高1.60个百分点，并可与PMW数据互补用于极地海冰覆盖检测。
2024-01-11 cs.CV cs.LG eess.IV
Synthetic Aperture Radar Image Change Detection Based on Global Dynamic Context-Aware Network
State Key Laboratory of Physical Oceanography, Ocean University of China（中国海洋大学物理海洋国家重点实验室）；Department of Electrical and Computer Engineering, Mississippi State University（密苏里州立大学电气与计算机工程系）
本文提出了一种专门用于合成孔径雷达图像变化检测的全局动态上下文感知网络GDNet，通过引入全局动态卷积模块和两阶段Mixup策略，有效整合局部细节与全局上下文信息，提升对不同变化模式的检测能力。
2026-05-16 cs.CV eess.IV
Target detection in synthetic aperture radar imagery: a state-of-the-art survey
目标检测是合成孔径雷达（SAR）图像自动目标识别系统（SAR-ATR）的前端。检测器的效能直接影响SAR-ATR处理链中的后续阶段。在文献中报道了许多用于实现检测器的方法。我们提供了一个保护伞，在该领域的各种研究活动进行了广泛的探讨和分类。首先，提出了各种检测方法的分类。其次，概述了不同实施战略的基本假设。第三，精心挑选的代表性的例子之间的表格比较介绍。最后，提出了一个新的讨论，其中所涵盖的问题包括SAR数据模型的适用性，了解乘SAR数据模型，和两个独特的观点恒定虚警率（CFAR）检测：信号处理和模式识别。从信号处理的角度来看，恒虚警被证明是一个有限的脉冲响应带通滤波器。从统计模式识别的角度来看，CFAR被证明是一个次优的一类分类器：一个欧氏距离分类器和二次判别式与一个失踪的一个参数和两个参数的CFAR，分别。我们的贡献，使一个客观的设计和实现SAR图像中的目标检测。
2018-04-12 eess.IV
Deep Learning for Rapid Landslide Detection using Synthetic Aperture Radar (SAR) Datacubes
University of California Berkeley（加州大学伯克利分校）；The Ohio State University（俄亥俄州立大学）；German Aerospace Center DLR（德国航空航天中心）；University of Valencia（瓦伦西亚大学）；National Observatory of Athens（雅典国家天文台）；United Nations Satellite Centre（联合国卫星中心）；University of Oxford（牛津大学）；NVIDIA（英伟达公司）；Universidad de Antioquia（安蒂奥基亚大学）
随着气候变化预计将增加滑坡事件的可能性，人们越来越需要快速滑坡检测技术，以帮助通知应急响应。合成孔径雷达（SAR）是一种遥感技术，可以提供独立于天气或照明条件的受影响地区的测量。然而，SAR的使用受到预处理步骤所必需的领域知识的阻碍，并且其解释需要专家知识。我们提供简化的，预处理的，机器学习准备的SAR数据立方体，用于四个全球定位的滑坡事件，这些滑坡事件是在滑坡触发事件之前和之后从几个Sentinel-1卫星通道获得的，以及滑坡的分割图。从这个数据集，使用日本北海道的数据立方体，我们研究了基于SAR的滑坡检测与监督深度学习（DL）的可行性。我们的研究结果表明，DL模型可以用来检测滑坡的SAR数据，实现了精确度-召回曲线下的面积超过0.7。我们发现，额外的卫星访问提高检测性能，但早期检测是可能的，当SAR数据与地形信息相结合，从数字高程模型。这对于时间紧迫的紧急干预特别有用。代码可在https://github.com/iprapas/landslide-sar-unet上公开获取。
2022-11-05 cs.CV eess.IV eess.SP
SAR-NeRF: Neural Radiance Fields for Synthetic Aperture Radar Multi-View Representation
Fudan University（复旦大学）
本文提出SAR-NeRF，将SAR成像机制与神经辐射场结合，通过可微渲染学习三维衰减系数和散射强度分布，实现多视角SAR图像生成，并在少样本目标分类中显著提升性能。
2023-07-11 cs.CV eess.IV
Urban Flood Mapping Using Satellite Synthetic Aperture Radar Data: A Review of Characteristics, Approaches and Datasets
Technical University of Munich（慕尼黑工业大学）；Vienna University of Technology（维也纳工业大学）；ETH Zurich（苏黎世联邦理工学院）；Wuhan University（武汉大学）；DiXplorer AG（4DiXplorer公司）；Luxembourg Institute of Science and Technology (LIST)（卢森堡科学技术研究院）
本文综述了基于SAR数据的城市洪水制图方法，分析其特征、各类方法优劣及数据集挑战，并评估技术就绪水平，为不同场景提供选型指导。
2024-11-06 cs.CV eess.IV
Generative Artificial Intelligence Meets Synthetic Aperture Radar: A Survey
本综述首次全面探讨生成式AI与合成孔径雷达的交叉，系统梳理数据生成应用、GenAI模型、物理仿真与混合建模方法，并展望挑战与前景。
2024-11-05 cs.AI cs.CV eess.IV
$k$-means on Positive Definite Matrices, and an Application to Clustering in Radar Image Sequences
Commonwealth Scientific and Industrial Research Organisation (CSIRO)（联邦科学与工业研究组织）
该研究阐述了非欧空间中对称正定矩阵$k$-均值聚类的理论性质，并提出将该方法通过有限滞后自协方差矩阵应用于合成孔径雷达图像序列的像素时间序列聚类。
2020-08-26 cs.LG eess.IV stat.ML
A Statistical View on Synthetic Aperture Imaging for Occlusion Removal
Johannes Kepler University Linz（约翰内斯·开普勒大学林茨分校）
合成孔径在许多领域都有应用，例如雷达、射电望远镜、显微镜、声纳、超声、激光雷达和光学成像。它们用静态小孔径传感器阵列或单个移动小孔径传感器来逼近单个假设大孔径传感器的信号。合成孔径采样的常识是，需要在宽孔径内的密集采样图案来重建清晰的信号。在这篇文章中，我们表明，存在实际的限制，合成孔径的大小和数量的样本的遮挡去除的应用。这导致对如何以最优化和实际有效的方式设计合成孔径采样模式和传感器的理解。我们将我们的研究结果应用于机载光学切片，该光学切片使用相机无人机和合成孔径成像来计算去除遮挡植被或树木以检查地面。
2019-06-15 cs.CV cs.GR eess.IV
Radar Fields: An Extension of Radiance Fields to SAR
Université Paris-Saclay（巴黎萨克雷大学）；CNRS（法国国家科学研究中心）；ENS Paris-Saclay（巴黎萨克雷高等师范学院）；Centre Borelli（博雷利中心）；Centre National d’Études Spatiales（法国国家空间研究中心）
本文首次将辐射场扩展至合成孔径雷达图像，提出“雷达场”，仅用雷达图像即可学习表面模型，且平均计算复杂度与常规辐射场相同，并展示了光学与SAR混合方法的潜力。
2023-12-20 cs.CV eess.IV
Dual Radar SAR Controller
本文介绍双雷达SAR控制器的GUI用户指南，涵盖多轴运动系统、MATLAB控制、AMC4030与ESP32协同实现精确定位，支持多频段融合及单雷达成像。
2023-06-27 cs.CV eess.IV eess.SP
Stereo Radargrammetry Using Deep Learning from Airborne SAR Images
Graduate School of Information Sciences, Tohoku University（东京大学信息科学研究生院）
本文提出一种基于深度学习的机载SAR图像立体雷达摄影测量方法，通过构建数据集并微调图像对应模型，结合图块处理与无地面投影插值，实现了更广范围且更精确的高程测量。
2025-05-29 cs.CV eess.IV
UWB Radar for through Foliage Imaging using Cyclic Prefix-based OFDM
本文提出使用足够的循环前缀（CP）OFDM合成孔径雷达（SAR）进行树叶穿透（FOPEN）。叶簇引入相位和幅度波动，导致旁瓣增大，影响被遮挡目标的最终成像。基于宽带CP的OFDM SAR固有地消除了由同一距离线上的目标之间的干扰引起的旁瓣。对于树叶穿透应用，基于CP的OFDM信号沿距离方向的积分旁瓣电平比（ISLR）比随机噪声信号低2 dB，而峰值旁瓣电平比（PSLR）几乎相同。
2021-08-16 eess.IV eess.SP
FMCW SAR with New Synthesis Method Based on A-SPC Technique
调频连续波（FMCW）雷达是一种新兴的合成孔径雷达（SAR）雷达体制。本文提出了一种基于FMCW雷达的SAR图像提取新方法。该方法可以提高SAR图像的质量。为了验证这一点，我们建立了一个汽车合成孔径雷达（AutoSAR）系统，并进行了实验，提取SAR地图使用AutoSAR系统。然后，我们合成的SAR图像，通过传统的方法和提出的方法来证明所提出的方法的性能。实验结果表明，该方法能够有效地改善SAR图像的质量。
2020-09-30 eess.IV eess.SP
Coherent synthetic aperture imaging for visible remote sensing via reflective Fourier ptychography
合成孔径雷达（SAR）可以利用天线和微波测量相位，但由于相位损失，不能直接推广到可见光成像。在这封信中，我们报告了一个积极的遥感与可见光通过反射傅立叶重叠关联（FP），称为相干合成孔径成像（CSAI），实现高分辨率，宽视场（FOV）和相位恢复。一个概念验证实验报告与激光扫描和准直器的无限对象。光滑和粗糙的对象进行了测试，和空间分辨率从15.6微米增加到3.48微米的4.5倍。FP算法对散斑噪声有很好的抑制效果。同时，CSAI方法可以取代自适应光学，通过一步解卷积来解决大气湍流和光学系统引起的像差问题。
2020-08-02 eess.IV physics.app-ph physics.optics
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
