基于梯度一致性约束的光学图像辅助SAR去噪半监督网络研究

为解决合成孔径雷达(SAR)图像中相干斑噪声抑制与纹理特征保留的难题，研究人员提出了一种梯度一致性约束的半监督网络GCOANet。该研究创新性地融合光学图像引导信息，通过条件扩散模型生成跨域参考图像，设计多尺度盲点去噪网络结合全向梯度损失函数，实现了同质区域平滑去噪与异质区域纹理保留的平衡。实验表明该方法在模拟和真实SAR数据上均优于现有方法，PSNR达18.82，SSIM达0.68，为SAR图像解译提供了新的技术思路。

　　

在遥感监测领域，合成孔径雷达(SAR)因其全天候成像能力成为环境监测的重要工具，但成像过程中产生的相干斑噪声严重影响了图像质量。这种乘性噪声会随机改变像素值，降低信噪比，给后续解译带来巨大挑战。传统方法如Lee滤波、小波变换等虽能抑制噪声，但往往导致边缘模糊或纹理丢失；而深度学习方法依赖成对数据训练，难以适应真实场景中复杂的噪声分布。如何在不依赖干净参考图像的情况下实现有效的SAR去噪，成为亟待解决的科学问题。

针对这一挑战，国内研究人员提出了GCOANet——一种基于梯度一致性约束的光学图像辅助SAR去噪半监督网络。该研究通过三个关键技术突破实现了创新：首先利用非局部均值滤波生成跨域参考图像，通过条件扩散模型学习SAR与参考图像的映射关系；其次设计多尺度盲点去噪网络，通过像素重排下采样降低斑点相关性；最后提出全向梯度损失函数，自动区分同质和异质区域进行针对性去噪。

关键技术方法包括：1) 基于光学图像引导的跨域参考生成，采用非局部滤波和条件扩散模型；2) 多尺度盲点网络架构，融合5×5像素重排下采样和双卷积层组；3) 全向梯度评估算法，通过积分图像快速计算四方向梯度；4) 混合损失函数设计，结合L₁范数、梯度一致性和TV损失。实验使用GF-3、Sentinel-1等真实SAR数据和UCM模拟数据集验证性能。

研究结果部分：

1. 跨域参考生成：通过非局部滤波融合光学图像纹理特征，生成的参考图像与SAR模态对齐，条件扩散模型在测试阶段无需成对数据即可生成参考图像。
2. 多尺度盲点网络：采用PD₅(间隔为5的像素重排)训练，PD₁测试的策略，在保持分辨率的同时有效降低噪声相关性，PSNR提升4.011。
3. 梯度一致性约束：通过阈值τ=3区分同质和异质区域，在同质区域实施强平滑约束(ENL达204.09)，在异质区域保留纹理细节(EPI达0.5824)。
4. 性能对比：在模拟数据上PSNR(18.82)和SSIM(0.68)优于SAR-DDPM等对比方法；真实数据实验显示MoR接近1，表明保持了原始图像均值。

结论表明，GCOANet通过光学图像引导和梯度约束机制，首次实现了无监督条件下的跨模态特征融合。其创新性体现在：1) 解决了传统方法在同质/异质区域处理上的矛盾；2) 突破了监督学习对成对数据的依赖；3) 通过像素重排策略有效处理了斑点相关性。在武汉城区和农田区域的实验证明，该方法能同时保持水域平滑性和建筑边缘锐度，为SAR图像在灾害评估、军事侦察等领域的应用提供了更可靠的数据基础。

讨论部分指出，当前方法在超高分辨率SAR图像处理时计算效率有待提升，未来可通过轻量化网络结构优化。该研究发表在《International Journal of Applied Earth Observation and Geoinformation》，为多源遥感数据协同处理开辟了新思路，相关技术框架也可扩展至其他模态的噪声抑制任务中。