摘要
地面穿透雷达（GPR）是一种用于地下检测的重要无损感知技术。然而，来自表面反射和非均匀介质的强杂波通常会掩盖B扫描图像中的弱目标响应。现有的低秩稀疏分解（LRSD）方法，如鲁棒主成分分析（RPCA），能够分离杂波和目标，但存在均匀奇异值收缩和计算成本高的问题；更关键的是，它们仅以原始分辨率运行，只能在固有物理分辨率限制下改进迁移图像的空间采样网格。本文提出了一种联合超分辨率与加权低秩稀疏分解（JSR-LRSD）框架，该框架在不扩展物理分辨率的情况下协同抑制杂波，并提高迁移图像的空间细节与目标定位能力。与先进行杂波去除再进行超分辨率、可能放大残余杂波的级联方法不同，我们的方法将可微分超分辨率网络直接集成到交替方向乘子法（ADMM）迭代中。这使得稀疏目标矩阵能够通过高分辨率图像先验进行正则化，同时高分辨率估计通过全变分反馈自适应调整加权核范数。利用观测数据的奇异值和高分辨率目标估计的全变分反馈，设计了一种自适应加权核范数。引入随机化奇异值分解（SVD）以加速计算。在模拟数据和实验室GPR数据上进行的广泛实验表明，与常规方法和基于LRSD的方法相比，所提出的JSR-LRSD实现了更高的信杂比（SCR），在空间细节恢复方面有明显改进，同时保持了计算效率。
