PELNet：一种用于偏振目标分解的通用物理嵌入式学习框架

《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》：PELNet: A general physics-embedded learning framework for polarimetric target decomposition

　　摘要
极化合成孔径雷达（PolSAR）提供了完整的极化测量数据，通过目标分解可以从中推导出具有物理意义的散射参数。传统的模型驱动方法通常存在功率分配僵化、对噪声敏感以及表示复杂散射场景的能力有限的问题。相比之下，基于深度学习的方法可以直接从数据中学习复杂的散射模式，具有更大的灵活性。然而，这些纯数据驱动的方法通常将散射机制建模为黑盒子，导致物理的可解释性有限，并且在应对复杂或未见过的场景时的泛化能力降低。基于这些观察结果，我们研究了将物理先验集成到深度神经网络中的方法，并提出了PELNet，这是一种物理嵌入式的端到端极化目标分解框架。PELNet的核心创新在于在网络解码器中结构化地嵌入了一个可微分的散射模型，建立了潜在空间与可解释物理参数之间的严格对应关系。具体来说，使用多尺度SE-注意力编码器来提取具有上下文意识的极化特征，而轻量级的专家混合模块则能够自适应地建模不同的体积散射组分。此外，一个可微分的散射重建层将物理散射模型直接嵌入到网络解码器中，建立了潜在表示与物理参数之间的可解释映射。进一步引入了一个物理引导的损失函数，以提高重建的准确性和空间一致性。在多种地形类型的多波段PolSAR数据集上的实验表明，PELNet相比传统方法具有更高的准确性和可解释性，为PolSAR图像解释和物理参数反演提供了新的视角。源代码和预训练模型可在以下链接公开获取：https://github.com/shurongz/PhyDecomp。

引言
极化合成孔径雷达（PolSAR）能够捕捉丰富的极化观测数据，这些数据可用于表征诸如介电行为和结构几何形状等物理特性（Lee和Pottier，2017；Chen等人，2018）。然而，PolSAR的空间分辨率有限，这意味着单个像素通常会同时捕获多种散射机制，使得这些机制的边界模糊，物理含义难以辨识。因此，在尊重物理约束的同时，解开这些重叠的贡献是是将原始PolSAR数据转化为可解释的高层次场景描述的关键（S.-W. Chen等人，2014；Wang等人，2026）。
为了解决这一挑战，极化分解作为一种基本方法被广泛研究，用于分离可解释的散射组分（Sinclair，1950；Krogager，1990；Cloude和Pottier，1996）。早期的方法依赖于预定义的散射模型，其中观测数据被表示为几种理想散射机制的加权组合，例如三组分和四组分分解（Freeman和Durden，1998；Yamaguchi等人，2005）。这些方法提供了清晰的物理解释和直观的实现方式，但它们高度依赖于关于目标对称性和散射行为的假设（Freeman，2007）。在复杂的场景中，如具有任意方向的城市区域或异质植被区域，这些假设经常被违反，限制了基于模型的分解的适应性。
从根本上说，极化分解旨在通过物理意义上的组分来揭示复杂的极化观测数据中的潜在散射机制。同样，深度学习在从高维数据中学习潜在表示和捕捉复杂非线性关系方面表现出色。这种概念上的一致性表明，深度神经网络在极化目标解释方面具有巨大潜力（Chen等人，2016；Zhu等人，2021）。利用这一优势，深度网络已被越来越多地应用于各种PolSAR应用中，如土地利用分类（Zhou等人，2016；Bi等人，2018）、目标检测（Wang等人，2023；Cai等人，2026）和斑点抑制（Vitale等人，2021）。
在此基础上，为了进一步利用深度网络在提取和分析散射模式方面的能力，物理引导的深度学习最近受到了越来越多的关注（Feng等人，2022）。通过将散射先验嵌入到网络架构、特征表示或训练目标中，这些方法试图弥合数据驱动学习和电磁散射机制之间的差距（Li等人，2025；Qin等人，2024）。这种集成使深度模型能够学习更具物理意义的散射表示，显示出解释复杂散射机制的巨大潜力（Kuang等人，2024）。
受这些进展的启发，最近的研究开始探索基于学习的极化分解框架，在这些框架中，神经网络被用来建模分解过程本身，而不仅仅是作为下游任务的特征提取器（Yang等人，2022）。在这种框架中，编码器-解码器架构特别适用，因为它们的结构自然对应于机制分离和观测重建的物理过程（Yang等人，2024）。通过将物理散射模型整合到训练过程中，基于学习的分解方法可以产生更准确的散射表示，同时克服传统方法的常见局限性，为物理可靠的极化目标分解开辟了有希望的途径。

总体而言，极化信息解释的发展从严格依赖于分析物理模型逐渐发展到整合数据驱动的学习机制，如图1所示。核心挑战是如何有效地将成熟的散射物理先验融入深度学习框架，同时利用深度网络强大的数据模式挖掘能力，从而提供可解释、准确且稳健的目标分解结果。
为了解决上述问题，我们提出了PELNet，这是一种通用的物理嵌入式极化目标分解学习框架，如图2所示。与现有方法不同，PELNet将可微分的散射模型直接结构化地集成到网络解码器中，确保整个优化过程明确受到物理散射定律的指导。在这个框架中，编码器从极化观测数据中提取紧凑的潜在表示，而解码器通过嵌入的散射模型的前向运算符重建相干矩阵。这确保了潜在空间与物理可解释的散射参数保持一致，从而实现端到端的学习，并在严格的物理一致性下进行。考虑到体积散射的复杂性，我们从传统的极化分解方法中获取灵感，将多个候选散射模型表示为并行的可微分专家。这使得网络能够以数据驱动的方式自适应地选择体积散射模型，提高在异质和过渡区域的表示能力，同时保持物理可解释性。

本研究的主要贡献如下：
1. 提出了一种通用的物理嵌入式极化分解框架。将可微分的电磁散射模型作为解码器集成到网络中，实现了从极化观测数据到可解释散射组分的端到端可训练映射。所提出的方法通过重新聚合估计的散射组分进一步重建了优化的相干矩阵，自然地抑制了噪声和系统误差，并扩展了其在下游任务中的适用性。
2. 引入了一种基于混合专家的体积散射选择机制。采用专家混合架构在统一的可微分框架中表示多个候选体积散射模型。像素级别的路由允许模型自适应地选择最合适的体积散射组分，消除了在传统分解中手动定义模型优先级或条件分支的需要，从而增强了复杂场景和散射过渡区域的建模能力。
3. 开发了一种多目标优化策略用于极化分解。构建了一个专门的损失系统，共同约束相干矩阵重建的准确性、散射功率的一致性和空间信息的清晰度。通过结合线性和对数域中的重建损失、参考引导的分解参数一致性以及边缘感知的平滑正则化，该框架实现了不同场景下的稳定且可解释的极化分解。

模型驱动的极化目标分解方法
极化目标解释可以追溯到20世纪70年代（Huynen，1970）。Huynen通过将雷达回波与散射矩阵的解析联系起来，建立了极化目标解释的基本框架。在这个框架内，Freeman和Durden提出了经典的三组分模型，该模型将总散射功率分解为表面散射、双次反射散射和体积散射，构成了模型驱动极化分解的基础。

目标分解的基本理论
如上所述，极化目标分解将观测矩阵表示为具有明确物理含义的典型散射组分的加权组合，使得复杂散射行为的结构化和定量分析成为可能。尽管现有的分解方法在模型表述、参数化和物理假设上有所不同，但它们的基本原理可以统一到一个共同的框架中：??=??∑??=1??????????(????)+??，其中??表示观测到的相干矩阵。

总体架构
受物理建模和表示学习逐步整合的启发，我们提出了PELNet，这是一种物理嵌入式的极化分解框架。核心思想是将可微分的物理散射模型直接集成到神经网络架构中，将其从外部约束转变为内在的、无参数的解码层。整个流程实现了从??∈?9×??×??到{????,??,??}→???的复合映射，其中??是九通道数据。

为了评估所提方法的有效性和泛化能力，选择了三个涵盖X波段、C波段和L波段的完全极化PolSAR数据集，如图6和表1所示。X波段数据集来自中国航空动力研究院的海南航空PolSAR观测活动，涵盖了植被、农田、水域和城市结构。C波段数据集是广泛使用的RADARSAT-2旧金山基准数据集，包括海洋、山脉和城市区域。

为了系统地验证每个核心模块的贡献，设计了一组渐进式的消融实验。一个没有任何物理嵌入的纯CNN回归模型作为基线，与完整的PELNet共享相同的编码器框架、训练数据和评估指标，以确保公平比较。实验配置如下：
基线采用了相同的三阶段下采样编码器，但用标准LightSE块替换了原有的LightSE块。

结论
本文提出了PELNet，这是一种物理嵌入式的端到端深度学习框架，用于极化目标分解，该框架将经典散射模型深度集成到网络架构中。三个核心模块MSE、PCME和DSR共同实现了空间上下文感知的特征提取、物理约束的参数预测和可微分的散射重建，梯度在端到端过程中通过DSR的分析雅可比矩阵无损失地流动。

CRediT作者贡献声明
Zhang Shurong：方法论、形式分析、数据整理
Zhang Lamei：资金获取

利益冲突声明
作者声明他们没有已知的可能导致影响本文工作的竞争性财务利益或个人关系。