基于注意力机制与深度自编码器的探地雷达信号降噪模型SCB-ADAE研究

【编辑推荐】本文提出一种结合Swin-Conv模块（SCB）与注意力降噪自编码器（ADAE）的探地雷达（GPR）信号降噪模型SCB-ADAE，通过多尺度特征提取与全局-局部特征融合，显著提升非高斯噪声和真实场景下的信号信噪比（SNR=20.64）与结构相似性（SSIM=0.366），为复杂地下环境目标检测提供创新解决方案。

　　

亮点
SCB-ADAE模型通过以下创新点实现突破性性能：

1. 在混合噪声（高斯噪声、非均匀材料噪声、真实噪声）下，信噪比（SNR）、峰值信噪比（PSNR）和结构相似性指数（SSIM）分别提升至20.64、14.59和0.366，显著优于现有技术。
2. SCB模块整合卷积与自注意力机制，同步捕获反射界面锐度（fine-scale features）和全局振幅变化（global-scale features），有效抑制背景杂波并增强弱信号敏感性。
3. ADAE模块通过层级编码-解码结构动态加权信号相关特征，自适应处理空间非平稳噪声，提升模型泛化能力。

数据集与训练策略
研究构建了合成与真实GPR信号混合数据集，结合仿真数据可控性与实地数据复杂性，覆盖多噪声场景。训练采用分阶段策略：先预训练SCB模块提取基础特征，再联合优化ADAE的注意力权重，最终通过端到端微调实现特征互补。

结论
SCB-ADAE通过级联SCB-ADAE-SCB三阶段架构，首次在GPR降噪中平衡局部细节（如薄层反射）与长程依赖（如分布式目标）。实验验证其在四种信号类型（含异构噪声）中的鲁棒性，为地下勘探AI预处理树立新基准。

（注：翻译严格保留术语如Swin-Conv Block（SCB）、Attention Denoising Autoencoder（ADAE），并采用生动表述如"级联三阶段架构""树立新基准"增强可读性。）