基于多尺度残差注意力网络的InSAR干涉相位滤波新方法MCR-PFNet及其在复杂噪声和大梯度形变场景中的应用

针对传统InSAR干涉相位滤波方法在复杂噪声和大梯度形变场景中难以兼顾噪声抑制与相位边缘保留的难题，研究人员提出基于残差注意力卷积的MCR-PFNet模型。该模型整合残差块、卷积注意力模块(CBAM)和多头自注意力机制，通过定制周期性相位损失函数训练，在模拟和真实数据实验中PSNR达55.820–64.017 dB，SSIM达0.965–0.990，显著提升煤矿沉降和地震形变监测精度。

　　

合成孔径雷达干涉测量(InSAR)技术因其毫米级形变监测能力，已成为地表变形监测的重要手段。然而，时空去相干、大气延迟和系统热噪声等因素引入的复杂噪声，以及地震、采矿等活动引发的大梯度形变，使得传统滤波方法面临噪声抑制不足与相位细节丢失的双重挑战。尤其在植被覆盖区或剧烈形变区域，相位解缠失败风险显著增加，严重制约形变信息提取精度。

针对这一技术瓶颈，中国矿业大学的研究团队在《International Journal of Applied Earth Observation and Geoinformation》发表研究，提出名为MCR-PFNet的新型InSAR相位滤波模型。该研究通过集成多尺度残差网络与注意力机制，结合周期性相位损失函数，在保持干涉条纹结构的同时有效抑制复杂噪声。实验表明，模型在模拟数据中PSNR提升至64.017 dB，SSIM达0.990；在真实煤矿沉降数据中使残差点数(NOR)降至517，质量指标(Metric Q)提升至95.278%，为高精度形变监测提供了新工具。

关键技术方法包括：1) 基于二维高斯曲面的煤矿沉降相位模拟数据集构建；2) 融合残差块、CBAM模块和多头自注意力机制的编码器-解码器架构；3) 针对缠绕相位特性的周期性余弦损失函数设计；4) 采用Adam优化器与动态学习率调整策略进行模型训练。

主要研究结果
1. 模型架构验证
通过消融实验证实，完整版MCR-PFNet相较基线模型PSNR提升17.857%，SSIM提升60.068%。多头自注意力模块显著增强了对大梯度形变区域的相位连续性保持能力。

2. 模拟数据测试
在含局部相位跳变的复杂场景中，MCR-PFNet的MSE(0.026–0.170 rad²)显著低于传统方法。样本4在59.605 dB的PSNR下，相位残差较Goldstein滤波降低94.7%。

3. 真实数据验证
煤矿沉降案例中，滤波后相位质量指标Q值达95.278%，条纹清晰度显著提升；地震数据中NOR减少79.997%，优于对比方法4.016%–25.899%的提升幅度。

4. 鲁棒性分析
在0–200 dB信噪比(SNR)范围内，MCR-PFNet的MSE稳定性最佳，在低SNR(20 dB)时误差较NL-InSAR降低82.3%，证实其对复杂噪声环境的适应能力。

结论与展望
该研究通过深度学习架构创新，解决了传统方法在复杂噪声和大梯度形变场景中的性能局限。MCR-PFNet通过残差连接缓解梯度消失问题，CBAM模块增强关键相位特征提取，而多头自注意力机制有效捕获长程相位依赖关系。特别设计的周期性损失函数克服了缠绕相位2π周期性的建模难题。

研究局限性在于训练数据主要基于模拟煤矿沉降相位，未来可通过融合真实InSAR数据提升泛化能力。该方法为地震、滑坡等突发性形变监测提供了更可靠的相位预处理方案，其模块化设计也可扩展至其他周期性信号处理领域。这项技术将推动InSAR在防灾减灾、城市沉降监测等领域的精准化应用。