多类型干扰下分割引导与注意力增强GAN用于SAR图像恢复

《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》：Segmentation-guided and attention-enhanced GAN for SAR image restoration under multi-type interference

　　

**摘要** 星载合成孔径雷达（SAR）系统经常受到同频干扰的影响，这严重降低了成像质量和后续图像解译性能。现有的抑制方法通常只针对单一类型的干扰或显著干扰，这限制了它们在面对多类型实测干扰时的效果。为了解决这些挑战，本文将多类型干扰抑制问题重新构建为成像前的干净SAR回波恢复任务，并提出了一种新的SC2-GAN框架用于SAR成像。SC2-GAN基于生成对抗网络，集成了三个协同组件：分割引导机制（SGM）、卷积块注意力模块（CBAM）和条件参数化卷积模块（CondConv）。SGM在浅层特征空间中提取干扰的空间位置和类型信息，实现了对多种干扰类型的差异化关注。CBAM通过双重注意力机制在通道和空间维度上捕获判别性特征，增强了网络在深层感知干扰特征的能力。CondConv根据输入特征自适应地生成卷积核，使网络能够在参数空间中对不同强度的干扰做出不同响应。这些组件的协同作用构成了SC2-GAN对多类型、多强度干扰适应性的基础。此外，SC2-GAN通过共享的网络架构实现了干扰抑制和分割的端到端处理。在七个仿真数据集和十个Sentinel-1实测数据集上进行的实验表明，所提出的SC2-GAN可以抑制多种类型的干扰并改善SAR成像质量。源代码和数据集公开地址为：https://github.com/XIAOYU-XU2805/SC2-GAN

**引言** 星载合成孔径雷达（SAR）是一种微波成像雷达系统，通过微波辐射和合成孔径技术实现高分辨率成像。它能够实现全天候、全天时观测，并在低光照和恶劣天气条件下保持稳健的性能（Zhang等, 2024, Pan等, 2024, Du等, 2024, Fan等, 2019）。得益于其强大的穿透能力和多维感知特性，星载SAR已被广泛应用于灾害管理、海上监控和地理空间测绘（Ni等, 2026, Li等, 2025, Huang等, 2020, Tierney和Mulgrew, 2021, Chen等, 2026）。

然而，随着数字射频存储（DRFM）和信号处理技术的发展（Pace, 2022, Zhou等, 2013），干扰技术在形式和复杂性方面快速演进。其日益增长的复杂性对SAR系统的抗干扰能力构成了重大挑战。尽管SAR系统通过二维匹配滤波（Cen等, 2023）天然提供了干扰抑制能力，但在存在复杂、多样、动态和高维干扰的情况下，其成像性能会显著下降。这种性能下降对系统稳定性和测量精度产生了严重影响，导致成像过程中出现目标失焦、畸变甚至目标完全丢失的情况。因此，后续图像分析和解译的难度和错误概率显著增加。如图1所示，SAR系统经常受到在各地不同时间发生的严重电磁干扰。图1(a)-(d)分别展示了2025年、2024年、2020年和2022年在乌克兰南部、乌克兰西北部、韩国北部和日本北部获取的Sentinel-1图像。

因此，设计一种有效且鲁棒的星载SAR干扰抑制方法具有重要意义。这种方法不仅必须有效抑制干扰，还必须在日益复杂的电磁环境下提高最终SAR图像的质量、可靠性和可解译性。

随着电子战技术的快速发展（Spezio, 2002, Cheng和Tsui, 2021），SAR干扰抑制研究产生了多种方法，可以分为模型驱动和数据驱动方法。

**模型驱动方法：** 这些方法基于干扰特征分析设计滤波器或抑制算法，同时结合目标散射模型提取回波特征，从而实现对目标和干扰的有效区分。Zhou等提出了一种基于特征子空间的滤波方法，用于抑制SAR中的窄带干扰（NBI），无需依赖被动嗅探参考信号，并证明了其在智能或间歇性NBI面前的有效性（Zhou等, 2007）。Tao等通过短时傅里叶变换（STFT）将宽带干扰（WBI）抑制重新构建为瞬时NBI子问题，随后采用陷波或特征子空间滤波进行干扰抑制（Tao等, 2016）。Li等开发了一种基于低秩扰动（LRP）恢复的高级抑制方案，通过RFI定位、相似性驱动的两阶段聚类和类自适应LRP恢复，实现了高效的多类型射频干扰（RFI）抑制（Li等, 2024）。Mao等提出了一种具有结构化三因子分解的群参数方法，联合正则化目标和干扰模型以实现有效抑制（Mao等, 2025）。Hu等通过将轨道先验、基于RPCA的强干扰分离和子空间投影相结合，提出了一种高精度互RFI（MRFI）缓解方案，在星载SAR数据中实现有效抑制（Hu等, 2025）。Shi等提出了一种基于脉冲重复间隔（PRI）变化和残差抑制的反欺骗干扰方法，结合方位向稀疏重建增强了在快速变化的欺骗场景下的鲁棒性（Shi等, 2025）。

**数据驱动方法：** 得益于深度学习的进步（Gulrajani等, 2017, Jia等, 2024, Li等, 2022, Lu等, 2024, Shelhamer等, 2017）和SAR数据的日益可用，深度学习方法已被广泛应用于SAR相关任务，包括目标检测（Lv等, 2024, Ma等, 2025, Zou等, 2023）、图像去噪（Fang等, 2024, Shen等, 2021, Sun等, 2024）、分类（Huang等, 2022, Liu等, 2024, Bai等, 2024）和图像生成（Ledig等, 2017, Lopes等, 2025, Li等, 2022, Liu等, 2021, Yu等, 2025）。近期研究越来越多地利用深度神经网络自动提取干扰特征，并将受污染的SAR回波映射到非线性高维特征空间，从而实现有效的干扰检测（Luo等, 2023, Zhang等, 2024）和抑制（Fan等, 2019, Cen等, 2023, Tao等, 2022, Hua等, 2023, Fang等, 2024, Zheng等, 2024, Xu等, 2024）。Fan等提出了一种基于残差网络的方法用于RFI缓解，在抑制干扰的同时降低了计算复杂度（Fan等, 2019）。Tao等引入了一种受模型驱动方法约束的混合深度学习方法，将低秩稀疏建模与时空先验相结合，采用堆叠RNN将无监督分解转化为高效监督学习（Tao等, 2022）。Cen等提出了一种双网络干扰抑制方法，利用检测网络定位干扰区域并通过信号恢复网络进行重建（Cen等, 2023）。Hua等基于CV-MUNet++开发了定制的训练策略，通过利用幅度和相位之间的不一致性来抑制主动干扰（Hua等, 2023）。Fang等通过整合基于CCN的分割和基于U-former的重建来抑制SAR图像中的高强度RFI，通过联合学习实现了显著的PSNR提升（Fang等, 2024）。Zheng等提出了一种先验知识约束的神经网络，在时频域（TFD）中融入低秩建模来抑制脉冲射频干扰（PRFI）（Zheng等, 2024）。Xu等提出了WBIM-GAN方法，采用GAN框架在TFD中抑制宽带干扰（Xu等, 2024）。

上述模型驱动方法通常依赖于显著性假设，如低秩性、稀疏性或局部平滑性。然而，在具有多样化、动态和高维干扰的复杂电磁环境中，这些假设往往失效，从而限制了它们在实测数据上的有效性。另一方面，现有的数据驱动方法主要针对单一类型的干扰，在多类型、多强度干扰的复杂场景中，其特征表示能力、抑制性能和最终成像质量往往会显著下降。因此，对于数据驱动的多类型干扰抑制任务，必须解决两个关键挑战：（i）设计能够有效表示不同类型和强度干扰的网络架构和机制；以及（ii）增强网络的迁移能力，确保在不同干扰抑制任务中的稳定适应性。

针对挑战（i），深度学习中的常用特征增强机制，如卷积块注意力模块（CBAM）（Woo等, 2018）和条件参数化卷积模块（CondConv）（Yang等, 2019），为多类型干扰特征的有效表示提供了可行的技术方案。针对挑战（ii），需要构建一个统一框架，以更好地适应多种干扰模式和强度，实现更好的迁移能力和在实测SAR成像场景中的稳定性。

本文提出了一种分割引导和注意力增强的框架，称为SC2-GAN，用于多类型和多强度干扰抑制。首先，基于生成对抗网络（GAN），SC2-GAN将干扰抑制构建为干净回波恢复任务，其中生成器通过对抗学习逐步重建无干扰的SAR回波。其次，SC2-GAN通过集成分割引导机制（SGM）、CBAM和CondConv，实现了多类型干扰特征的差异化提取和动态适应。具体而言，SGM在浅层特征空间中提取多种干扰的空间和类型信息，增强了网络学习判别性和类型感知干扰特征的能力。此外，CBAM提高了网络在深层特征空间中对显著干扰特征的敏感性，而CondConv根据多样化的输入干扰动态生成卷积核，使模型能够自适应地响应不同强度和结构模式的干扰。最后，SC2-GAN采用TFD表示作为输入。这种表示能够全面表征干扰特性，包括时频调制、空间结构、低秩性、稀疏性和平滑性，从而显著降低了特征提取的难度。此外，采用乘法噪声比（MNR）和结构相似性指数（SSIM）等性能指标证明SC2-GAN能够抑制多类型干扰并改善SAR成像质量（见图2）。

本文的主要贡献总结如下：
1) 本文将多类型SAR干扰抑制问题重新构建为干净回波恢复任务。SC2-GAN在统一网络中联合建模干扰分割和抑制，实现了多类型干扰的端到端抑制和分割。
2) 设计了SGM以增强SC2-GAN对多类型干扰的差异化注意力，通过提取多类型干扰的空间位置和类型信息实现。CBAM引导网络关注显著干扰特征。CondConv实现对多干扰强度和模式的动态响应。这些动态模块协同工作，实现了对多类型、多强度干扰的精确抑制。
3) 与WBIM-GAN和IMN等传统方法相比，在七个仿真干扰场景和十个实测SAR数据集上的实验结果验证了所提出方法在不同区域、干扰强度和类型下的优越性。此外，在仿真干扰上训练SC2-GAN并在实测数据集上测试，提供了在实测SAR成像场景中迁移能力的证据。

本文其余部分组织如下。第2节介绍了各种干扰类型的数学公式。第3节详细描述了所提出的网络架构。第4节报告了使用仿真数据和实测数据的干扰抑制对比实验。第5节对论文进行了总结。

**SAR干扰建模** 本节介绍了SAR回波模型，并对各种干扰类型进行了详细表征。通过概念解释和数学公式分析了它们对SAR成像性能的影响。

**方法** 本节描述了所提出SC2-GAN的网络架构和损失函数设计。由于生成对抗网络（GAN）以其生成高保真度和结构一致性重建的能力而广为人知，使其特别适合将干扰抑制问题重新构建为干净SAR回波生成任务。这种范式消除了对人工设计滤波器或物理模型的依赖。同时，残差网络

**实验** 本节从SAR成像质量的角度出发，综合实验验证了所提出SC2-GAN的有效性和迁移能力。图5展示了整体实验流程。首先，选择一组干净的Sentinel-1原始回波作为基础数据。然后叠加仿真干扰以生成受干扰污染的回波，通过STFT转换为TFD表示用于SC2-GAN训练。随后，测试回波

**结论** 本文将多类型SAR干扰抑制问题重新构建为干净SAR回波恢复任务，并提出了用于星载SAR成像的SC2-GAN框架。通过在GAN架构中集成SGM、CBAM和CondConv，SC2-GAN实现了对多类型、多强度干扰的有效特征表示和提取。

在七个模拟数据集和四个实测 Sentinel-1 数据集上的大量实验表明，SC2-GAN 始终优于 ISEF，
CRediT 作者贡献声明
Xiaoyu Xu：写作 – 初稿撰写，可视化，验证，软件，方法论，调查，形式化分析，概念构思。Weiwei Fan：写作 – 审阅与编辑，监督指导，资源提供，资金获取。Jinbiao Du：可视化，形式化分析。Feng Zhou：监督指导，资金获取。Jun Sun：验证，资源提供。Maria Sabrina Greco：写作 – 审阅与编辑，监督指导。Fulvio Gini：写作 – 审阅与编辑，监督指导。
利益冲突声明
作者声明不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。
致谢
本工作部分由国家自然科学基金（批准号 U2541202, 62001350）资助，部分由中国科协青年人才托举工程（批准号 2023QNRC001）资助。作者感谢欧洲空间局免费提供 Sentinel-1 数据下载。
Xiaoyu Xu|Weiwei Fan|Jinbiao Du|Feng Zhou|Jun Sun|Maria Sabrina Greco|Fulvio Gini
西安电子科技大学 电子工程学院，中国西安 710071