《Sensors》:RAFnet: SAR Image Autofocusing via Range-Aware Attention and Multi-Scale Loss
编辑推荐:
本研究提出了一种距离感知自动聚焦网络(Range-aware Autofocus Network,RAFnet),通过将新型距离感知注意力模块嵌入渐进式自动聚焦框架中,实现合成孔径雷达(Synthetic Aperture Radar,SAR)图像的自动聚焦。
本研究提出了一种距离感知自动聚焦网络(Range-aware Autofocus Network,RAFnet),通过将新型距离感知注意力模块嵌入渐进式自动聚焦框架中,实现合成孔径雷达(Synthetic Aperture Radar,SAR)图像的自动聚焦。该模块利用一维方位向池化压缩空间特征,并从距离向提取高信噪比的散射分量,随后通过轻量级跨通道交互进一步丰富此类特征。为促进粗到细的分层学习,研究人员开发了渐进式多尺度熵损失函数以联合优化整个网络。真实SAR数据的实验结果表明,所提方法能够准确捕获高层相位波动并有效抑制原始相位偏差与旁瓣。定量结果显示,将注意力模块与多尺度损失相结合,聚焦图像的全局空间熵达到9.8567,对比度达到5.0091。通过提取更准确的聚焦导向特征表示,该研究为高质量SAR自动聚焦提供了一种有效解决方案。
合成孔径雷达(Synthetic Aperture Radar,SAR)作为一种主动式微波遥感技术,凭借其全天候、全天时成像能力及二维定位优势,已广泛应用于军事监视及灾害监测与响应等民用领域。然而,雷达平台运动不稳定性引入的非线性相位误差会导致图像产生严重的方位向模糊与几何畸变,不仅掩盖目标轮廓、抹除纹理细节,还显著降低空间分辨率与定位性能。因此,自动聚焦技术作为提升SAR图像质量的关键手段受到广泛研究。
传统自动聚焦方法主要集中于非参数化相位估计与参数化建模两大类。经典相位梯度自动聚焦(Phase Gradient Autofocus,PGA)算法及其变体线性无偏最小方差PGA(PGA-LUMV)和最大似然PGA(PGA-ML)可补偿任意随机非线性误差,但高度依赖场景中强散射点的精确提取与中心定位;通用地图漂移算法(Map Drift Algorithm,MDA)对孤立强散射点依赖较低,但其低阶多项式拟合的校正能力受限于高阶运动误差。归一化最小熵算法(Normalized Minimum Entropy Algorithm,NMEA)等基于全局图像质量指标的方法将相位校正转化为目标代价函数优化问题,但大量迭代搜索导致计算负担沉重,处理大规模高分辨率数据时执行时间尤为棘手。以PGA-ML为例,处理每幅图像平均需163.71毫秒,而本研究所提方法仅需1.73毫秒,在保持聚焦精度的同时大幅节省计算时间。
随着深度学习发展,利用神经网络处理SAR自动聚焦问题逐渐成为热门研究方向。Liu等率先提出了基于卷积神经网络的无监督自动聚焦架构AFnet,纯粹依赖数据消除对地面实况图像的依赖;PAFnet采用逐层聚焦策略提升计算效率,但在空间特征聚合时将所有距离单元等同处理,无法区分高信噪比散射体与背景杂波,导致网络在复杂场景中的方位向相位估计易受相干斑噪声污染。SAENet通过编码器-解码器结构实现端到端特征学习,但主要应用于稀疏驱动SAR成像场景,且全局矩阵映射结构处理大尺度高分辨率图像时存在严重内存溢出问题。SPA-GAN尝试将生成对抗网络与传统参数化自动聚焦模型结合,虽能获得更优参数估计,但本质上基于预设物理模型,难以应对极端复杂的模型失配与畸变问题。
注意力机制近年来在传统计算机视觉及雷达微波任务中广泛应用,但其在SAR自动聚焦中的应用逻辑有别于高层语义提取——本研究将其物理映射为数据质量滤波器,通过自适应筛选与加权特征,放大有效信号并强抑制无效噪声,从源头阻断杂波噪声对相位解算的干扰。
基于上述背景,研究人员提出了一种基于单维距离感知注意力机制的特征增强方案,并设计新型损失函数协同现有网络,以打破现有网络中杂波干扰的瓶颈。研究使用日本宇宙航空研究开发机构(JAXA)研发的高级陆地观测卫星(Advanced Land Observing Satellite,ALOS)精细模式获取的9景SAR原始回波数据,涵盖温哥华、西安、合肥、佛罗里达、托莱多及硅谷等区域,方位向分辨率约5米,地距分辨率约7米。通过模拟等效雷达速度估计误差生成方位向相位误差,构建训练集(125幅图像/5个基础场景)、验证集与测试集(各50幅图像/2个基础场景),并裁剪为复值图像块,最终从训练数据中随机选取20,000个图像块用于训练,验证与测试数据各提取8,000个图像块。
实验平台配置为Intel Xeon Platinum 8470Q处理器及单张NVIDIA RTX 5090图形处理器(32GB显存),采用Ubuntu 22.04操作系统、Python 3.12及PyTorch 2.7.0深度学习框架,CUDA 12.8加速计算。批大小设为8,训练轮次500,使用AdamW优化器(权重衰减因子0.01),学习率按文献策略更新。
本研究的技术方法核心包括三个主要部分。
第一部分为距离感知注意力模块。该模块由距离空间分支与通道注意力分支级联构成,终端输出通过全局残差连接与原始输入特征融合。具体而言,对输入特征张量沿方位向进行一维平均池化,将全局空间信息压缩为方向感知特征图(维度B×C×1×W),随后经1×1卷积、批归一化(Batch Normalization,BN)、Hardswish激活函数及二次1×1卷积组成的特征变换层,最后通过Sigmoid激活函数生成非线性空间权重。完成空间维度加权后,中间特征张量进入通道注意力分支:首先全局平均池化压缩二维空间维度,重塑张量后使用核大小为5的一维卷积进行局部跨通道交互,再经Sigmoid函数获得最终通道权重矩阵,实现通道特征加权。最终经双注意力校准的特征通过残差连接与原始输入张量元素级融合。
第二部分为渐进式多尺度熵损失函数。该损失遵循逐层优化物理准则,在三级级联聚焦器输出端均注入独立损失约束。总多尺度联合损失由第一、第二及终端聚焦器的最小熵自动聚焦损失加权构成,权重系数分别设为0.2、0.2和1.0,以平衡早期粗粒度相位补偿指导与终端精细聚焦保真度。单阶段最小熵损失基于像素能量分布计算,通过最小化总体多尺度损失持续驱动各序贯模块输出趋向更锐聚焦。
第三部分为三级级联校正框架。失焦初始图像输入包含三级聚焦器的级联校正框架,每级聚焦器通过内部特征提取网络回归对应高阶多项式的相位系数组,并据此补偿当前特征图。当前级补偿输出作为下一级聚焦器输入,逐级消除残余误差。单级聚焦器可估计并校正最高二阶相位误差,三级级联后依次校正{2,3}、{4,5}及{6,7}阶残余误差,各级权重不共享以适应不同阶次误差校正需求,最终实现对高达七阶相位失真的精细校准。
研究结果部分包含三项核心内容。
第一项为对比实验。在AFALOS测试集上,将所提算法与PGA-ML、PGA-LUMV、NMEA、SAENet、AFnet及PAFnet等方法进行性能比较。定量结果表明,所提算法在图像熵(9.8567)、对比度(5.0091)、峰值信噪比(25.3870 dB)和结构相似性指数(0.9175)四项指标上均达最优。图像熵的降低与对比度的提升同步发生,是SAR能量聚焦的必然统计结果:网络将散射能量汇聚为尖锐冲激响应,降低强度不确定性的同时增大了强散射体与背景杂波的灰度差异。运行时间方面,所提方法在GPU上处理8000幅图像仅需13.86秒(约1.73毫秒/幅),较NMEA快近4倍,较传统PGA快约95倍。视觉对比显示,该方法能有效抑制旁瓣并恢复清晰场景结构。
第二项为消融实验。研究人员系统验证了各组件的定量影响:基线网络图像熵9.8582、对比度4.9972;仅配置多尺度损失函数时熵降至9.8573、对比度升至5.0031;仅嵌入距离感知注意力模块时熵降至9.8570、对比度升至5.0063;两者融合产生显著协同增强效应,达到最优熵值9.8567和最优对比度5.0091。此外,与经典Squeeze-and-Excitation(SE)通道注意力机制相比,距离感知注意力在图像熵、对比度、PSNR及SSIM上均表现更优。
第三项为相位误差拟合分析。图5直观展示了基线模型与所提方法在复杂高阶相位误差下的拟合曲线对比。基线模型虽能跟踪宏观趋势,但在大梯度变化区域或复杂高阶多项式扰动下存在明显残余偏差;而联合优化框架展现出卓越的相位跟踪与轮廓拟合能力,估计曲线近乎完美贴合真实轨迹,即使在边界极值点和尖锐拐点处仍保持极高拟合精度。
讨论部分指出,该方法在强杂波环境下具有显著优势。从物理角度看,经距离单元迁移校正(Range Cell Migration Correction,RCMC)后,整体补偿过程数学上转化为一维方位向自动聚焦。若所有距离单元等同处理,大量纯杂波单元混入相位估计器会导致严重杂波耦合伪影;距离感知注意力模块作为数据质量滤波器,通过距离门控选择抑制无效杂波并放大高信噪比目标,保证困难场景下相位估计的可靠性。然而,该方法仍存在局限:模型依赖局部块内空间相位误差不变性的物理假设,缺乏高效解析高分辨率与宽测绘带型相位异常的解耦能力;同时注意力模块虽提升特征判别与相位优化能力,也增加了网络前向推理时间。未来研究方向包括:探索时空联合双流注意力机制以实现高精度二维自动聚焦;引入网络剪枝与知识蒸馏等模型轻量化技术优化注意力模块本身,寻求聚焦精度与边缘计算平台实时性约束间的最优权衡。
研究结论指出,复杂成像场景引入的强杂波及严重相位畸变会降低SAR自动聚焦性能。为此,本研究引入距离感知注意力机制进行特征增强,通过滤除无效杂波缓解一维方位向相位检索过程中的干扰;同时实施多尺度自动聚焦损失函数防止优化过程陷入局部极小值——这是传统熵度量常见问题。真实雷达数据实验证实,该方法在图像熵、对比度及视觉质量方面优于传统方法。本研究解决了高分辨率SAR一维自动聚焦问题,为未来将注意力模块扩展至二维自动聚焦奠定了基准。此外,后续研究将致力于构建多传感器复杂SAR数据集,以全面评估和验证所提注意力模块的跨传感器泛化能力。