基于稀疏张量恢复与展开式Transformer的视频SAR图像重建

《IEEE Transactions on Circuits and Systems for Video Technology》：Video SAR Image Reconstruction Based on Sparse Tensor Recovery and Unfolded Transformer

视频合成孔径雷达（SAR）图像重建面临数据量大、计算复杂度高的问题。本研究利用时间冗余，提出ViSAR-UTNet模型，结合Transformer架构和优化算法，实现高效高质量重建，实验验证有效。

　　

摘要：

视频合成孔径雷达（Video Synthetic Aperture Radar, Video SAR）能够在各种天气条件和日夜环境下实现对观测场景的高分辨率、连续成像。然而，视频SAR图像重建仍然面临数据量庞大和计算复杂度高的挑战。本研究通过利用连续帧数据中的时间冗余性来解决这些限制。通过对视频SAR数据特性的系统分析，我们将视频SAR成像问题表述为一个稀疏张量恢复问题，并引入了一种专门的相关函数来利用帧与帧之间的依赖关系。通过结合交替方向乘子法（Alternating Direction Method of Multipliers, ADMM）和近端交替不精确最小化（Proximal-Alternating Inexact Minimization, P-AIM）框架，我们提出了一种迭代解决方案。基于这种表述方式，我们将迭代过程构建到一个Transformer架构中，形成了ViSAR-UTNet成像网络。ViSAR-UTNet包含两个核心模块：一个加权自注意力（Weighted Self-Attention, WSA）机制，用于学习帧与帧之间的相关性；以及一个线性化的ADMM（Linearized ADMM, LADMM）算子，用于稀疏张量恢复。通过利用Transformer的结构，ViSAR-UTNet能够有效利用数据冗余性，从而在减少测量数据量的情况下实现高质量的视频重建。我们在合成数据和真实数据集上进行了实验验证，结果表明所提出方法在重建精度和计算效率方面均有显著提升。