将生成对抗网络（GAN）与动态身份卷积（Dynamic Identity Convolution）相结合，以提升来自地球静止卫星观测数据的雷达图像重建质量

《IEEE Transactions on Artificial Intelligence》：Integrating GAN and Dynamic Identity Convolution for Enhanced Radar Image Reconstruction from Geostationary Satellite Observations

雷达反射率镶嵌图重建方法研究。提出DIC-GAN框架，集成动态卷积与混合损失函数，利用多通道卫星影像重建无雷达覆盖区雷达数据，九组动态身份卷积模块自适应调整核权重，提升强反射区对流结构生成效果，实验验证其优于现有方法且泛化性能优异。

　　

影响声明：

由于GANs强大的生成能力，它们已被广泛应用于各个领域。本研究开创了在雷达反射率图像中使用GAN框架的先河...显示更多

摘要：

基于地面天气雷达观测得到的雷达反射率镶嵌图像对于监测恶劣天气事件至关重要。然而，在沙漠、海洋和许多山区，雷达部署并不可行，因此无法在这些区域获取雷达数据。在这项研究中，我们提出了DIC-GAN，这是一种基于GAN的新框架，它结合了动态卷积和混合损失函数，旨在从多通道卫星观测图像重建雷达镶嵌图像。在生成器中，引入了九个动态身份卷积模块（DIMs），这些模块包含动态卷积和身份连接，可以根据输入数据自适应地调整卷积核权重，从而有效提升生成器的表示能力。此外，我们开发了一种任务驱动的混合损失函数，该函数结合了二元交叉熵（BCE）损失、均方误差（MSE）损失和加权阈值损失，使生成器能够优先处理强反射区域，从而提高这些区域内部风暴结构的生成效果。实验结果表明，DIC-GAN优于现有的比较方法。泛化性能测试进一步证明了其在无雷达覆盖区域重建雷达图像方面的有效性。