综述：物理感知深度学习用于SAR和InSAR遥感：模型、方法与开放挑战

《Remote Sensing》：Physics-Aware Deep Learning for SAR and InSAR Remote Sensing: Models, Methods, and Open Challenges

　　

合成孔径雷达(SAR)和干涉合成孔径雷达(InSAR)是全天气、昼夜地球观测的基础传感模态，因为它们独立于太阳光照运行，并在常限制光学成像的条件下保持对场景的敏感性。最近的深度学习(DL)方法改进了SAR图像解译、逆成像、目标识别和基于InSAR的形变分析，但许多纯粹数据驱动的流程仍然忽略了塑造雷达观测的前向传感模型、相干散射物理、斑点统计、相位结构和获取几何。本文发展了用于SAR和InSAR学习的物理感知视角。文献沿两个互补的轴组织：支配雷达测量的物理约束维度，即极化、散射、信号域结构、分辨率和干涉相位/相干性；以及这种结构进入现代学习系统的集成模式，包括表示设计、模型引导架构和学习辅助逆问题。研究人员进一步讨论了代表性应用、数据集和评估问题、域偏移挑战和可信部署。最后，包括两个建设性的说明性案例研究：一个关于具有显式SAR传感矩阵的稀疏SAR成像，另一个关于在包裹相位、相干性变化和物理感知正则化下的InSAR相位域估计。它们共同说明了物理感知学习在代表性的幅度驱动和相位驱动逆设置中如何与经典结构保持基线和无约束黑盒学习进行比较。

1. 1.
   引言
   合成孔径雷达(SAR)已成为基础的遥感技术，因为它独立于太阳光照运行，并且比光学传感器对云层的敏感度低得多，同时通过相干电磁后向散射保持对场景结构、粗糙度和介电特性的敏感性。干涉合成孔径雷达(InSAR)利用重复获取的相位差来反演地形和地表形变，从而扩展了这一能力。这使得广泛的地球物理应用成为可能，包括火山和地震形变监测，也与环境和基础设施相关的测绘和监测问题相关。同时，SAR和InSAR数据与普通光学图像有根本不同。它们由受波形设计、获取几何、极化、相位历史、分辨率限制和散射物理影响的相干传感过程产生。因此，下游推断不仅受语义场景内容影响，还受乘性斑点噪声、几何畸变、相位缠绕、去相干和系统特定的前向模型影响。这些特性使雷达遥感成为明确考虑传感过程的学习方法的重要试验台，而不是将数据视为通用图像。近年来，深度学习在SAR和InSAR应用中迅速扩展。广泛的调查涵盖了SAR目标识别、场景理解、去斑、超分辨率、稀疏成像、多模态融合和雷达特定表示学习。相关的评论更具体地关注于使用InSAR的基础设施监测、自动形变检测和物理驱动的SAR目标检测，进一步表明文献现在足够庞大，需要更结构化的综合。最近的InSAR特定学习工作在相位滤波和相干性估计、相位解缠以及大规模形变或损伤监测方面迅速扩展。第一个主要工作线涉及SAR目标识别和分类。早期深度学习方法使光学风格的卷积模型适应雷达图像，并在基准数据集上展示了竞争性能。随后的工作越来越强调雷达特定信息，包括复数值处理、属性散射中心、电磁特征迁移、流形感知表示和物理引导架构。第二个主要工作线涉及检测，特别是复杂杂波中的舰船和目标检测。文献从早期的卷积舰船和目标检测流程演变为更多雷达特定的检测器设计。第三个活跃领域是图像恢复和逆成像。由于经典的SAR处理已经深深植根于前向建模和正则化反演，该领域提供了雷达信号处理与现代混合学习之间的特别自然的桥梁。第四个重要主题是许多有用的雷达学习问题不是纯粹的单模态问题。大量文献解决了SAR-光学配准和匹配，包括地理定位、特征描述符、互信息对齐和学习的交叉模态描述符。在InSAR中，相同的趋势现在很明显，即从通用恢复转向显式的InSAR导向学习目标，包括联合相位/相干性估计、非局部或稀疏模型驱动的相位滤波、相干性引导的解缠以及大规模相位解缠框架。这些发展指向了一个更广泛的方法论转变。核心问题不再仅仅是深度学习是否可以应用于SAR或InSAR，而是物理结构应该如何进入学习系统。一个有用的组织原则是区分支配雷达观测的物理约束维度和将这些约束嵌入现代学习流程的集成模式。物理维度包括极化、散射、信号域结构、分辨率和干涉相位/相干性，而主要的集成模式包括表示设计、模型引导架构和学习辅助逆问题。从这个角度，研究人员采用了物理感知学习(PAL)的重点定义。在该论文中，PAL指的是以实质性方式结合雷达特定传感结构的学习策略，例如相干散射行为、电磁先验、信号形成约束、显式前向模型、干涉测量几何、相位拓扑或相干性感知目标。为了操作清晰，区分了三个级别的PAL。弱PAL使用雷达特定的表示或预处理，例如复数值通道、极化特征、相干图或相位派生输入，但学习规则本身仍然基本上是通用的。中等PAL将物理结构注入模型或目标中，例如通过散射感知分支、复域层、相干加权损失、等变或各向异性算子或相位一致惩罚。强PAL在推理循环中保持显式的传感、传播或干涉前向模型，如学习展开、可微模拟器、即插即用逆求解器或与测量似然相关的不确定性感知公式。另一个反复出现的挑战是在分布偏移下的泛化。载波频率、入射角、极化模式、带宽、分辨率、轨道几何、土地覆盖组成、预处理链和临时去相干的差异都会改变从测量到标签或重建的映射。这就是为什么物理上有意义的归纳偏置不仅对可解释性有吸引力，而且对样本效率、正则化和跨传感器转移也有吸引力的原因之一。
2. 2.
   物理约束维度在SAR和InSAR学习中的应用
   扩展物理感知观点的一个有用方法是识别雷达学习系统必须保持或利用的主要物理结构类型。最近关于物理驱动SAR目标检测的工作围绕四个物理约束族组织：极化特性、散射机制、信号域属性和系统分辨率。该分类法在检测之外也有帮助，因为它突出了不同雷达任务受到不同类型信息丢失限制的事实。分类和检测可能强烈依赖于极化和散射描述符，逆问题通常依赖于信号域和分辨率结构，而InSAR增加了涉及包裹相位、相干性和临时几何的进一步层。

2.1. 极化和散射结构

极化是雷达传感与普通图像采集不同的最直接方式之一。与单通道强度表示不同，极化数据携带有关入射电磁波与目标之间矢量相互作用的信息。完整的散射矩阵和导出的相干矩阵提供了对表面、二次反射和体散射机制的物理可解释访问，从而提高了异构场景中目标与背景的可分离性。这对于场景包含人造结构和分布式杂波的混合时尤其相关，因为稳定的二次反射或镜面响应可能难以用仅强度特征捕获。一个相关但不同的概念是散射结构。这里的重点不仅在于极化状态，还在于主导散射体的几何和电磁组织。属性散射中心模型、多尺度散射分解和电磁特征图将原始雷达回波转换为更接近目标物理组成的描述符。这些表示的价值是双重的：首先，它们提供可解释的先验来指导特征提取；其次，它们提供了一种构建对杂波和视点变化的鲁棒性的方法。对于InSAR，在许多常见工作流程中没有全极化目标分解的直接类似物，但同样的逻辑适用于相位派生的结构。相干性、相位梯度、局部解缠拓扑和多时间一致性都充当物理上有意义的描述符。在这个框架中，InSAR相干性和相位拓扑可以被视为散射感知表示设计的干涉对应物。

2.2. 信号域和时频结构

第二个约束族涉及信号域结构。雷达图像仅在一系列信号处理操作后获得，一些信息最丰富的线索在最终形成的图像之前或与之同时更自然地表达。最近的物理驱动SAR检测调查强调，时频表示和距离多普勒(RD)域特征暴露了可能在图像域中隐藏或混叠的微运动、多普勒频移和非平稳散射行为。这尤其与移动目标检测、海上监视和高杂波场景相关，但这个想法更广泛：信号域特征也可以编码目标特定的后向散射模式，即使对于名义上的静态物体。Deep SAR-Net系列工作是一个重要的说明。它不仅仅依赖检测到的强度图像，而是通过从复值SAR数据中提取时频描述符来增强空间特征，从而保留了在仅幅度流程中丢失的信号域信息。这一系列方法表明，从雷达学习有时应该从更丰富的信号表示开始，特别是当任务依赖于微妙的相位或频域变化时。同样的原理也支撑了许多现代逆方法，其中学习组件不仅应用于图像，还应用于部分处理的或算子域的量。

2.3. 分辨率和尺度

第三个约束族是分辨率。在雷达中，带宽、孔径、传感器模式或平台几何的变化不会简单地以普通视觉意义上缩放图像；它们改变了有效的点扩散函数(PSF)，改变了散射中心的可视性，并修改了目标结构的表观。最近的评论强调，目标表示本质上是分辨率相关的，许多跨平台泛化的失败最好被理解为未能在不同采集体制下保持物理上有意义的尺度结构。当带宽减少时，附近的散射体合并，高频目标几何变得不太可见，识别和检测都可能急剧恶化。这对PAL有直接的影响。跨分辨率域适应、结构感知特征对齐和雷达特定的超分辨率不应被视为通用图像增强问题。相反，它们是尝试在变化的系统分辨率下保持散射拓扑。在更广泛的综述中，这个维度可以提供目标检测、舰船检测、超分辨率和稀疏成像之间的桥梁，所有这些都取决于测量系统如何控制目标可分离性。

2.4. 干涉相位、相干性和临时几何

对于InSAR，最独特的物理约束来自干涉相位和临时获取结构。关键可观测量不仅是图像强度，而且是包裹相位、相干性估计、基线相关的灵敏度和多临时相位历史。这些量受循环几何、大气污染、临时去相干和平台重访特性支配。因此，许多InSAR学习问题与光学视觉任务和单图像SAR解译有根本不同。这表明一个完整的物理感知综述应包括第五个维度，特定于InSAR：干涉相位、相干性和临时几何。在实践中，这包括在相位滤波和解缠中尊重循环相位结构，将相干性不确定性纳入下游决策，以及在堆栈或时间序列中保持与形变相关的临时签名。即使一个方法被呈现为基于图像的，它仍然应该根据是否保留了相关的干涉结构来评估。

2.5. 物理约束维度之间的耦合

上面介绍的物理约束维度在分析上是有用的，但它们不应被解释为独立的轴。在实际的SAR和InSAR系统中，它们通过传感链强烈耦合，许多最近的学习方法成功正是因为它们利用了这些耦合，而不是孤立单一形式的先验信息。第一个重要的耦合是极化和散射结构之间。极化测量不仅添加通道；它们提供了对底层散射机制的更丰富视图，因此影响了表面、二次反射和体响应的分离或强调方式。因此，散射感知学习和极化感知学习在实践中通常不是不同的类别，而是雷达回波相同物理描述的两个方面。第二个耦合链接信号域结构和系统分辨率。分辨率由波形带宽、孔径范围和采样几何决定，因此与生成数据的信号模型不可分离。分辨率的变化因此不仅改变图像清晰度；它们修改散射签名的可见性、可分离性和稳定性。这就是为什么跨分辨率适应、雷达超分辨率和稀疏成像最好被理解为在改变的测量条件下保持物理有意义的信号结构的问题，而不是通用图像增强任务。第三个特别重要的耦合出现在InSAR中，其中相位、相干性和临时几何是不可分离的。包裹相位通过获取几何解释，相干性控制相位观测的可靠性，多临时基线决定对形变和去相干的灵敏度。因此，将相位、相干性或临时结构孤立处理的干涉测量学习方法通常是不完整的。相关的物理对象是耦合的干涉测量过程本身，而不是这些量中的任何一个单独。这些耦合也出现在架构层面。一些最近的方法将散射描述符与学习到的深度特征融合，从而结合了可解释的雷达结构和数据驱动的表示学习。其他方法结合复域处理和电磁特征迁移，以更明确地保持信号域和散射信息。总之，这些例子表明许多最近的架构不依赖于单一的物理先验，而是在同一学习流程中集成几个互补的约束。因此，提出的框架不应被解读为并行框的列表。相反，物理维度确定了雷达结构的主要来源，而它们的耦合解释了为什么有效的PAL方法经常同时利用其中的几个。从设计的角度来看，这个观察有一个实际的意义：最有用的归纳偏置通常是那些在维度之间的接口处引入的。例子包括相干加权相位处理、保持分辨率相关散射行为的信号域模型，以及连接极化可观测量到散射拓扑的特征层次结构。这是为什么雷达遥感中的物理感知学习应被表述为传感链问题，而不是简单的基于图像的深度学习扩展的原因之一。

1. 3.
   物理感知SAR/InSAR学习的基础和集成模式
   SAR中深度学习的早期浪潮很大程度上受到光学计算机视觉成功的启发。标准卷积神经网络(CNN)应用于幅度图像，通常在将复值SAR数据转换为实值类图像表示之后。这些方法在受控基准上取得了强劲的结果，特别是对于自动目标识别(ATR)、舰船检测和场景分类。这种第一波的限制现在已得到充分理解。在传感器偏移、地理偏移、入射角变化、训练标签减少或操作现实的杂波下，性能经常下降。此外，许多流程继承了来自光学视觉的隐含假设，这些假设与相干雷达形成物理不匹配。因此，PAL可以广义地解释。在这项研究中，研究人员使用该术语来表示采用以下一个或多个的任何学习策略：物理上有意义的数据表示，如复数值、极化、散射中心、相干性或基于相位的输入；由前向模型或散射机制驱动的架构约束；算法展开或学习辅助优化用于逆问题；强制执行物理一致性的损失函数或训练目标；以及与获取条件和测量限制相关的不确定性建模。这种分类法很有用，因为它按物理结构进入学习流程的位置组织方法，而不仅仅是按应用标签。它还有助于关联经常被分开讨论的SAR和InSAR方法，即使它们共享相同的方法逻辑。构建研究的一个简洁方式是围绕三个主要集成模式：物理感知输入和表示、模型引导架构以及学习辅助逆问题。尽管这些类别不是相互排斥的，但它们覆盖了当前文献的很大一部分，并提供了一个清晰的方式来组织主要的技术设计选择。

3.1. 物理感知输入和表示

通向PAL的一个自然途径是从传感过程本身保留更多信息。在SAR图像解译中，表示的选择强烈影响网络可以学习什么。仅幅度输入丢弃相位，并且经常抑制极化相关或散射结构信息。相比之下，建立在复数值或混合信号-图像表示上的方法试图保留雷达特定的线索。一个相关的方向是使用可解释的物理学派生描述符作为辅助信息。例子包括散射中心、极化分解、相干图、高程线索或模拟电磁属性。这些变量可以引导特征提取或注意力，而不是取代学习到的特征。对于InSAR，相应的问题更加尖锐，因为感兴趣的量通常编码在包裹相位和相干性中，而不是直接可见的空间纹理。这表明干涉图、相干图、堆栈和时间序列的表示设计应被视为一个中心主题，而不是预处理细节。

3.2. 模型引导架构

第二类方法将物理知识直接嵌入网络架构。这可以从相对温和的设计选择（如复数值卷积）到更强的物理引导模块（将散射先验注入特征层次）。主要动机是适当的归纳偏置可以减少泛化所需的数据量，同时保持可解释性。这种设计的理念与科学机器学习中的更广泛趋势一致，其中归纳偏置用于缩小假设空间。对于SAR和InSAR，有前景的架构先验包括方位-距离各向异性、相位拓扑、散射稀疏性、多视统计和多时间一致性。这些先验最好以任务相关的方式比较，而不是将“物理感知”学习视为单一配方。

3.3. 学习辅助逆问题

许多重要的SAR和InSAR应用基本上是逆问题，而不是标准的图像识别任务。图像形成、去斑、超分辨率、层析成像、稀疏重建、相位估计、相干性估计和相位解缠自然位于前向建模和统计推断的接口。这个设置特别适合混合模型-数据方法。学习展开、即插即用先验、基于分数的先验和神经代理可用于加速或正则化迭代求解器，同时保持与底层物理的清晰链接。这个概念优势是这类方法避免了手工逆算法和端到端黑盒预测器之间的错误选择。相反，从前向算子或似然模型开始，然后学习缺失的组件：先验、近端步骤、去噪器或自适应更新规则。这是经典雷达信号处理与现代机器学习之间的联系变得分析有用的地方之一。观察到的对前向模型不一致的敏感性表明需要更灵活的集成模式，将学习到的先验与特定传感几何解耦。物理感知学习中的最新进展表明，即插即用(PnP)先验或深度均衡(DEQ)模型可能通过对平台不稳定性和大气相位误差提供更强的鲁棒性，从而避免与单一标称算子绑定的固定深度展开。

1. 4.
   代表性应用、数据集和评估协议
   本研究的目标之一是展示PAL如何在代表性应用设置中影响性能，应如何评估此类性能，以及哪些未解决的问题最可能塑造未来的进展。三个应用领域在这方面特别有信息量：目标识别和检测、基础设施和形变监测以及图像恢复和重建。表2总结了所提出的PAL框架内的代表性贡献，将它们映射到强调的物理约束、主要集成模式、目标应用领域以及数据集或实验设置。这种综合旨在补充叙述性讨论，并使跨论文的比较更加透明。

4.1. 目标识别和检测

SAR目标识别仍然是一个主要的试验台，因为它暴露了有限标签、视点敏感性、杂波和操作鲁棒性问题。最近的文献越来越多地认为，物理上有意义的信息（如属性散射中心、电磁先验或物理基础的注意力）可以改善鲁棒性和可解释性。这为目标识别成为更广泛主张的有用案例研究，即合适的归纳偏置可以与原始模型容量一样重要。物理驱动的目标检测文献还提供了不同物理约束在不同场景中如何发挥作用的目录。极化描述符在海上场景和杂波抑制中非常有价值；散射中心模型有助于细粒度识别和目标拓扑；信号域方法特别与移动目标场景相关；分辨率感知策略在跨平台和多尺度检测中很重要。

4.2. 基础设施和形变监测

基于InSAR的构建基础设施和地球物理形变监测是DL的另一个自然应用领域，因为解译可能劳动密集且容易出错。最近的关于使用DL进行基于InSAR的基础设施监测的评论强调了自动解译的机会，但也强调了由于噪声、去相干和误报导致的持续困难。同样，最近回顾用于火山和地震形变检测的DL的工作强调了InSAR工作流中架构设计和数据集构建的重要性。这些应用也强化了不确定性意识的需求，因为操作决策可能带来实质性的实际后果。

4.3. 图像恢复、稀疏成像和超分辨率

去斑、超分辨率和稀疏成像是PAL的有吸引力的用例，因为它们的目标可以直接与观测模型相关联。在这些任务中，信号处理和学习之间的区别特别小。该领域中最令人信服的贡献可能是那些在受控退化、减少采样或改变的传感条件下将学习组件与经典正则化基线进行比较的贡献，而不仅仅是在单个策划的基准上。最近关于复值稀疏成像、分辨率感知适应和雷达特定超分辨率的工作加强了这一点。

4.4. 数据集和评估协议

解释最近文献的一个持久困难是，报告的增益通常是在特定的数据集划分、获取条件和预处理链下获得的，因此直接跨论文比较绝对性能数字应谨慎对待。对于检测导向的任务，标准基准包括MSTAR、SSDD、HRSID和SRSD；对于重建和成像任务，基准文化标准化程度较低，而对于InSAR形变任务，场景和标签源的多样性使比较更加困难。跨这些领域，评估仍然是当前文献中的一个主要弱点。现有的基准实践经常夸大进展，因为许多数据集很小、地理范围狭窄或在有限的获取多样性下捕获。至少五个评估差距值得明确处理：传感器和几何偏移、地理和时间偏移、标签稀缺和标签质量、不确定性校准以及可重复性。这种综合的价值在于跨识别、重建和形变分析任务比较这些问题，而不是孤立地讨论它们。

1. 5.
   说明性案例研究：物理感知SAR成像和InSAR相位估计
   为了使前面的讨论具体化，本节在两个受控但可解释的设置中提出了两个说明性案例研究：一个关于受控退化下的稀疏SAR成像，另一个关于具有包裹相位、相干性变化和物理感知正则化的InSAR相位域估计。目的不是建立新的任务特定基准，而是提供两个互补的例子，显示物理感知结构如何影响代表性雷达逆问题中的重建质量、鲁棒性和失败模式。这两个例子被故意放在平行的立足点上。第一个解决SAR逆成像问题，其中传感矩阵是显式的，重建受限于欠采样、噪声和有限重建深度。第二个解决InSAR相位域估计问题，其中包裹相位、相干性和单位模复结构是核心。它们共同说明了物理感知学习如何在前向建模、逆问题和基于学习的正则化之间跨越幅度和相位驱动的雷达设置进行交互。

5.1. 常见逆问题视角

两个案例研究都可以在一个共同的逆问题框架内理解。设x表示未知信号，y表示观测数据。简化的观测模型可以写为y = A x + n，其中A表示传感或观测算子，n表示测量噪声。当问题由于噪声、欠采样、缠绕或其他信息丢失而不适定时，恢复需要额外的先验结构。一个标准公式是最小化数据保真度项和先验项的组合。在稀疏成像中，常见的选择是?1范数，它促进具有少数主导散射体的重建。更一般地，可以在变换后施加稀疏性，或使用总变分等空间正则化惩罚。在干涉相位估计中，正则化器可以改为编码局部相位平滑度、复域一致性、相干加权或单位模相量场的显式几何结构。在这两种设置中，前向模型指定了问题的物理基础部分，而先验表示必须通过分析或从数据中提供的结构。这种观点很有用，因为它将逆问题中由传感物理固定的组件与那些可能被适应的组件分开。特别是，前向算子A强制与获取模型的一致性，而先验项表示关于场景或相位结构的假设。混合方法保留了物理模型，同时用可训练组件替换了推理过程的某些部分；例如，展开迭代方案保留了经典优化算法的结构，但学习了步长、阈值、近端映射或混合系数。从这个角度来看，关键问题不是方法是基于模型的还是学习的，而是逆问题的哪些部分保持显式，哪些从数据中适应。例如，标准迭代更新采取x_{k+1} = x_k + α (A^H (y - A x_k) - λ g(x_k))的形式，其中α是步长，λ是阈值参数，A^H是共轭转置，g是收缩或校正算子。传统的重建算法解析地或以启发式方式固定这些成分。物理感知学习变体则保持数据一致性项与传感算子相关联，同时允许一些更新组件被学习。这种结构相对于完全黑盒预测器缩小了假设空间，保留了执行测量一致性的直接机制，并且使失败分析更容易，因为错误可以分别归因于前向模型失配、先验失配和学习模块中有限的表现力。

5.2. 说明性SAR案例研究：具有显式传感矩阵的稀疏成像

首先考虑一个受控的稀疏SAR成像实验，其中前向模型是从简化的单站孔径几何导出的显式SAR传感矩阵。目标是确定物理感知学习更新有用的具体操作区域。设A表示与所选获取几何相关的SAR传感矩阵，其中M是收集的测量数，N是离散化场景中的像素数。如果场景网格是N个像素，雷达平台位置为p_m，到第n个像素的斜距是r{mn}。利用载波频率f_c和传播速度c，波数是k = 2π f_c / c。使用参考距离r_0进行相位居中，未归一化矩阵条目定义为A{mn} = exp(-j k (r{mn} - r_0)) / (1 + β (r{mn}/r_0)^γ)，其中β是波束扩展参数，γ是距离衰减指数，分母中的1防止除以零。实际传感矩阵通过行归一化获得。因此，A不是通用随机矩阵，而是由SAR几何和传播模型显式确定的结构化矩阵。测量服从y = A x + n，其中x是场景反射率向量，n是圆复高斯噪声。在实验中，场景大小为64×64，因此N=4096，而测量维度M=2048，对应于采样比ρ=0.5。SAR几何由高度参数指定。场景包含20个活跃复散射体，输入信噪比(SNR)为20 dB。研究人员比较了六种方法。匹配滤波器基线是x_MF = A^H y。经典的稀疏基线是求解?1最小化问题，使用有限深度的?1-ISTA运行和两个更强的优化参考：长运行?1-ISTA和长运行FISTA。黑盒神经网络(NN)学习直接映射x? = f_NN(y)。物理感知网络展开基于模型的迭代，并在每一层保持SAR矩阵显式：x? = f_unroll(y; A, {α_k}, {λ_k})，其中可训练参数是逐层步长α_k和阈值λ_k。实验结果表明，匹配滤波器输出主要由伪影状波动和不良对比度主导，黑盒NN在视觉上仍然不稳定。有限深度物理感知网络产生了结构化重建，但新增加的长运行?1-ISTA和FISTA基线作为更强的经典参考，并在该受控稀疏重建设置中实现了最佳归一化均方误差(NMSE)。因此，修订后的解释是故意保守的：物理感知网络作为固定深度模型引导的重建规则是有用的，但不声称主导收敛的变分求解器。相应的测试集指标总结在表3中；训练收敛如图5所示，鲁棒性分析如图6所示。主要结论现在分为两部分。首先，显式模型指导至关重要，因为无约束黑盒网络仍然很差。其次，针对更强经典优化的公平比较表明，完全收敛的迭代求解器保持高度竞争力，应始终包括在声明涉及重建准确性而不是有限深度推理时。除了NMSE和峰值信噪比(PSNR)，表3还报告了支持精度、支持召回和支持F1分数。这些指标包括在内是因为稀疏SAR成像不仅是图像保真度问题：正确定位主导散射体通常比平均像素误差更相关。为了超越单个操作点，研究人员进一步评估了在采样比、输入SNR和重建算子失配的受控变化下的方法。随着采样比增加，长运行?1-ISTA和FISTA实现了最低的NMSE，而物理感知网络仍然大大优于黑盒网络和匹配滤波器。噪声扫描导致相同的定性结论。在测试的整个输入SNR范围内，长运行?1-ISTA和FISTA在NMSE中是最强的方法；物理感知网络提供了结构化的固定深度重建；匹配滤波器较弱；黑盒NN基本上没有竞争力。失配扫描对于绘制的NMSE曲线在测试扰动范围内相对平坦，但它仍然作为一个有用的诊断，因为它在所有方法下评估了显式扰动的重建算子。因此，降级不能由扰动矩阵的秩崩溃或灾难性病态来解释。相反，它是真正的前向模型失配效应：学习的重建规则对训练期间使用的SAR矩阵与重建期间使用的SAR矩阵之间的不一致敏感。总之，这些结果支持一个更谨慎的结论。在本稀疏SAR设置中，显式模型指导显然比无约束黑盒回归更可取，并且有限深度物理感知网络在固定计算预算内提供结构化重建。然而，长运行?1-ISTA和FISTA实现了最低的NMSE，因此只要延迟限制较少，收敛的变分优化仍然是强有力的参考。这正是物理感知学习应该旨在揭示的基于区域的结论。

5.3. 说明性InSAR案例研究：在缠绕和相干性变化下的相位域估计

为了补充稀疏SAR成像示例并使数值材料与论文的完整SAR/InSAR范围保持一致，接下来考虑基于合成生成的干涉数据的紧凑相位域案例研究。目标再次是说明性的而不是面向基准的。这里重点是包裹相位、相干性变化和局部复域规律性，因此关键问题变为不同估计器如何尊重相位几何和干涉结构。合成场景由具有叠加局部结构的平滑变化的未包裹相位场和空间变化的相干图组成。生成噪声复干涉图z = exp(j φ) ° γ + w，其中φ表示目标相位，γ是相干性，w是圆复高斯噪声。因此，与稀疏SAR情况不同，感兴趣的量不是稀疏反射场，而是相位承载复相量场，其解释直接依赖于缠绕和相干性。报告示例包括真实未包裹相位、真实相干性、观察到的包裹相位和观察到的干涉图幅度，以及三种估计策略：盒子 car 多视基线、黑盒神经网络和物理感知迭代估计器。对于黑盒估计器，形成实值输入向量，黑盒模型是具有一个隐藏层的多层感知器，输出投影到单位圆上，训练最小化均方相量损失。物理感知估计器直接操作于复单位模相量。在每个迭代，形成局部复平均和离散拉普拉斯平滑校正，未归一化更新是这些项的组合，然后通过投影约束到复单位圆上。在当前的实现中，相位网格是128×128，训练和测试集包含120和24个合成场景，补丁半径为1，隐藏层大小为40，黑盒模型训练12个周期，物理感知估计器使用8次迭代。图7、图8和图9总结了得到的观测、重建和鲁棒性趋势。对于显示的示例，盒子 car 多视基线达到约4.3°的RMSE，黑盒神经网络达到约8.5°，物理感知估计器达到约6.6°。修订后的评估还计算了圆形相位平均绝对误差和相干分层相位RMSE，在低和高的相干区域中分离性能。因此，在此示例中，学习方法没有超过简单的相位保持基线，尽管物理感知设计比黑盒模型有实质改善。这正是一篇视角论文中有价值的结果：嵌入物理可以正则化学习，但朴素学习不会自动超过经典结构利用估计器，特别是在低数据和相位敏感设置中。训练和调整曲线进一步澄清了两个学习方法的行为。黑盒训练损失在优化过程中迅速减少，而物理感知相量损失在展开的迭代中减少，表明模型驱动更新的稳定收敛。关于噪声水平和相干性的鲁棒性扫描显示了随着观测质量恶化而预期的降级，再次强调相位感知学习不仅应通过标称准确性来判断，还应通过物理有意义扰动的敏感性来判断。总体而言，InSAR示例强化了论文的主要信息之一：在相干成像问题中，有用的归纳偏置往往较少在于通用图像统计，而在于尊重信号本身的几何，这里是通过包裹相位、相干性和单位模复结构。同时，该示例也警告不要在没有仔细匹配的先验和鲁棒不确定性处理的情况下夸大学习模型的好处。该案例研究仅限于合成的单一干涉图相位估计设置：它验证了相位几何和相干感知先验，但不涵盖真实的InSAR复杂性，如时间序列处理、非线性形变约束、大气和轨道相位屏、跨长临时堆栈的解缠歧义或传感器特定的预处理伪影。

5.4. 两个示例的比较解释

综上所述，这两个示例支持了一个比单独任何一个都更平衡的信息。在稀疏SAR案例中，物理感知学习更新明显优于黑盒模型，但增加的长运行?1-ISTA和FISTA基线显示收敛的变分优化在NMSE中仍然更强。在InSAR相位域案例中，物理感知估计器再次改善了黑盒模型，但简单的结构保持基线仍然最强。这种对比是有用的。它表明物理感知学习的价值取决于任务区域、前向模型的质量和经典基线的强度。因此，这两个案例研究在论文中扮演互补的角色。SAR示例证明传感物理的显式集成可以避免黑盒失败并产生结构化的有限深度重建，同时也表明更强的经典基线是公平准确性声明所必需的。InSAR示例证明，在相位敏感的相干估计问题中，嵌入物理相对于朴素学习仍然有益，但并不自动保证优于精心选择的经典估计器。这正是物理感知视角应该揭示的基于区域的结论。

1. 6.
   开放挑战和未来方向
   以下几点是指示层面的研究方向，而不是来自两个说明性案例研究的直接实证结论。上述示例在受控设置中评估了重建质量、支持恢复和相位估计行为；它们本身并不验证操作可信度、校准不确定性或分布外部署。因此，几个开放问题应锚定论文的视角部分。首先，关于物理和学习之间的最佳接口仍未达成共识。可能的选择包括显式参数量、模拟标签、复域操作、可微前向模型和约束感知损失，正确的选择可能是任务相关的。其次，仍然不清楚多少物理是足够的。强归纳偏置可以提高数据效率，但当假设模型不完整时也可能降低适应性。因此，一个有用的未来研究议程不仅仅是“更多物理”，而是自适应PAL，其中模型可以决定何时信任先验结构以及何时偏离它。多约束检测文献已经指出这个方向，提出自适应融合策略，根据成像条件选择极化、散射、信号域和分辨率特征。这个想法可以推广到更广泛的SAR/InSAR学习系统。第三，相对于幅度图像解译，InSAR特定的拓扑仍然未被充分理论化。包裹相位、不连续性、相干性损失和多时间一致性创造了与光学视觉基准实质不同的学习问题，值得更明确的概念处理。最近的InSAR学习文献已经指向这个方向，从相位/相干性估计和滤波到解缠网络和时间序列形变模型。一个特别有前途的途径是将相位几何、不确定性和时间一致性集成到在干涉级别保持可解释的架构中。最后，可信的操作部署需要的不仅仅是平均基准准确性。对于诸如地质灾害监测或基础设施监视等高影响应用，有用的系统应提供校准的不确定性、分布外意识、物理上有意义的失败分析和仔细的人在回路验证。这些要求不是外围的；它们对于PAL在SAR和InSAR中能否从有前途的演示转变为可靠的操作使用是核心。
2. 7.
   结论
   深度学习已经成为SAR和InSAR遥感中的主要方法力量，但该领域正在超越从光学计算机视觉的简单转移。本文的中心论点是，雷达遥感中最有效的学习系统既不是纯粹基于模型的，也不是纯粹数据驱动的。相反，它们将灵活的表示学习与源自传感过程的物理结构相结合，包括散射行为、信号域信息、分辨率效应和干涉几何。理解这一发展的一个有用方式是连接两个互补的观点：定义雷达观测中什么信息重要的物理约束维度，以及决定该结构如何进入学习系统的集成模式。从这个观点来看，物理感知表示、模型引导架构和学习辅助逆方法不是孤立的趋势，而是朝着更鲁棒、可解释和值得信赖的雷达学习更广泛的方法论转变的一部分。两个说明性案例研究从互补的角度支持了这种解释：稀疏SAR示例表明物理结构学习可以避免无约束的黑盒失败，但应与强大的长运行ISTA/FISTA基线进行比较；而InSAR相位域示例表明物理感知学习可以改善朴素的黑盒估计，同时也阐明了简单结构保持基线难以超越的区域。总的来说，这里开发的综合旨在组织目前分散的工作线，并阐明PAL在未来SAR/InSAR系统中可以最有效贡献的实际条件。