一种基于可见性感知的神经高斯框架，用于SAR图像生成与数据增强

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：A Visibility-Aware Neural Gaussian Framework for SAR Image Generation and Data Augmentation

　　

摘要：

合成孔径雷达（SAR）是一种主动式遥感技术，由于其成像机制，通常会表现出与观测视角相关的各向异性散射和自阴影效应。这些特性使得在未知视角下生成SAR图像变得尤为困难。许多基于数据的SAR方法（如基于GAN的方法和SAR-NeRF）在优化效率和物理可解释性方面存在难题。为了解决这些问题，我们提出了一种基于神经高斯表示的多视角SAR图像生成的可微框架。该框架将SAR的斜距投影几何结构嵌入到端到端的可微流程中，用神经反散射高斯函数来表示场景。所提出的方法利用条件多层感知器（MLP）根据成像参数预测反散射强度，同时还引入了基于物理原理的雷达阴影掩模（RSM）作为约束条件。这样的设计建立了图像域与底层场景表示之间的稳定且可解释的联系。该方法在模拟数据集、真实的SAR测量数据以及由多视角SAR观测数据构建的Umbra复杂场景数据集上进行了测试。视觉和定量评估表明，该方法在图像生成方面优于现有基准方法，且收敛速度更快。此外，实验还证明了这些生成的图像作为下游目标识别任务的增强样本具有很高的价值。在三种分类器上，该方法的平均Top-1准确率比基准方法高出27.1个百分点，分别比基于GAN的方法和SAR-NeRF高出25.1个百分点和7.9个百分点。即使在有限视角的观测条件下，该方法仍能生成结构一致性强的高质量图像。总体而言，这些结果表明所提出的框架有效提升了SAR图像的生成质量。这些发现为未来向多极化、多...

显示更多