在时间敏感的目标拦截、战场态势感知和精细灾害评估等应用中，快速重建局部3D场景结构具有重要意义。对于机载平台，重复通行采集或多通道阵列可以提高高度方向的观测能力；然而，这些方法往往受到飞行窗口可用性、载荷限制、系统复杂性和任务时效性的限制。因此，对于单通道圆孔径雷达（CSAR），从有限观测数据中实现稳定、准确和高效的3D重建已成为一个重要但具有挑战性的问题。
传统的多基线干涉SAR（InSAR）和层析SAR（TomoSAR）通过沿高程方向合成孔径来实现3D分辨率。然而，它们通常依赖于重复通行采集或多通道系统，导致系统复杂度和数据采集成本较高。相比之下，单通道CSAR可以在单次飞行过程中提供多方位观测，从而为3D重建提供了所需的几何多样性。尽管如此，CSAR子孔径图像常常表现出强烈的散射各向异性和辐射度不一致性。再加上旁瓣泄露、多路径干扰和结构化杂波，这些因素显著降低了匹配稳定性，并增加了对异常值的敏感性。此外，在离散化的高度范围内进行穷举搜索需要大量的相似性评估，导致计算负担加重。
为了解决这些挑战，现有的单通道CSAR 3D重建研究主要遵循两个方向：一种是基于概率立体匹配的稳健性方法，另一种是基于逆向映射的高效重建方法。
第一类方法侧重于减少匹配不确定性，通常通过雷达立体匹配实现。这类方法利用多视角子孔径图像之间的视差或几何一致性来估计高度，经常结合概率建模和多视图融合来抑制异常值。例如，Zhang等人[2]在概率框架内对内点和异常值进行建模，并通过顺序贝叶斯更新融合观测结果。后续研究通过几何误差校正[3]和扩展到DEM提取和目标检测[4]、[5]进一步改进了这一范式。尽管这些方法对随机噪声相对稳健，但通常需要在预定义的全范围高度区间内进行穷举匹配，这引入了大量的计算冗余。此外，在强旁瓣和多路径干扰等结构化杂波的情况下，较大的候选空间容易产生虚假匹配峰值，增加异常值的风险。
第二类方法侧重于效率提升，例如逆向映射和投票（IMV）策略。该策略根据投影几何将强散射响应从2D图像反投影到3D空间，并通过累积投票识别候选散射体。它可以快速生成3D点候选；然而，由于缺乏对观测可靠性和散射不确定性的显式建模，在各向异性散射、重叠模糊或斑点噪声下很难区分真实散射体和虚假散射体，导致误检测和空间伪影。为了缓解这些效应，研究人员引入了额外的几何线索，如目标轮廓[6]、[7]和阴影信息[8]、[9]，以排除几何上不合理的候选项。尽管如此，这类融合规则仍然主要是启发式的，其在抑制跨视图随机误差和异常观测方面的能力仍然有限。
与模型驱动的发展并行，近年来在几何感知学习的基于多视图立体（MVS）方面取得了显著进展。代表性方法如GoMVS[10]、GeoMVSNet[11]、GE-MVS[12]和LCM-MVSNet[13]越来越多地将几何线索纳入成本聚合、跨视图一致性和假设 refine 中。类似的思想也开始出现在SAR 3D重建中。例如，SAR-NeRF[14]将神经隐式表示扩展到SAR多视图建模，表明数据驱动的场景表示正在成为SAR 3D重建中一个相关的补充方向。
然而，大多数现有的基于学习的MVS框架主要是为光学图像开发的，其中辐射度一致性假设和大规模训练数据更容易获得。相比之下，单通道CSAR涉及相干散射、强烈的方位角依赖性各向异性、斑点噪声、旁瓣泄露和多路径干扰以及结构化杂波，这使得直接转移变得不那么直接。此外，可靠的CSAR 3D监督数据稀缺且获取成本高昂[7]、[15]、[16]。因此，本研究采用了一种无需训练的模型驱动方法，强调物理可解释性、显式不确定性建模以及在有限监督下的实际应用。我们认为这种方式是对几何感知学习范式的补充，而不是替代方案。
现有的基于逆向映射的方法在减少候选空间方面有效，但在抑制异常值和随机误差方面存在局限性，而概率立体方法提供更稳健的多视图融合，但通常依赖于在广泛高度范围内的穷举搜索。因此，仍需要一个结合搜索空间缩减和不确定性感知融合的统一框架。为此，我们提出了一种用于单通道机载CSAR 3D重建的基于几何约束的概率融合（GCPF）框架，其中轮廓约束的概率高度估计作为核心推断机制。该框架从多视角观测中提取轮廓先验，将其与成像几何信息结合，构建像素级别的可行高度集，并在约束域内进行顺序贝叶斯融合，以实现稳健的高度估计。
本文的主要贡献总结如下：
- 1.
提出了一种统一的GCPF框架，将几何搜索空间缩减和顺序概率融合结合在一个高度估计流程中。
- 2.
开发了一种基于轮廓先验的可行集构建方法，以减少无效高度假设和冗余的相似性评估。
- 3.
引入了一种顺序贝叶斯融合机制，在约束域内进行不确定性感知的匹配和递归后验更新。
