摘要
合成孔径雷达（SAR）图像中的有向目标检测在遥感领域发挥着重要作用，但其性能通常受到高质量标注样本不足的制约。这一问题在多类别场景中尤为突出，因为不同目标在散射特性、尺度分布、朝向变化和背景依赖方面表现出显著差异。现有的SAR样本合成方法大多针对单一类别目标或水平边界框约束设计，存在类别多样性不足、朝向可控性弱以及地理拓扑关系建模不充分等问题。为解决上述问题，本文提出了首个基于扩散模型的多类别SAR有向目标检测样本生成方法。构建了大规模SAR图像-地理拓扑语义文本配对数据集，并基于Stable Diffusion预训练了SAR文本到图像基础模型，使模型能够学习目标类别、数量、空间分布及地理拓扑关系，从而提升生成结果的地理合理性和场景一致性。此外，提出了一种方向相位编码策略，以缓解旋转角度表示中的边界不连续问题，并基于有向边界框实现目标位置、尺度和朝向的精确控制。同时，设计了一套自动化样本生成与标注精化流水线，通过小波去噪和渐进式SAM-2分割获得更精确、更贴合目标轮廓的有向边界框，从而提升合成样本的标注精度。实验结果表明，本方法能够生成具有多样散射特性、真实背景变化及合理地理拓扑关系的SAR图像。所生成样本在五类基线有向目标检测器上均持续提升检测性能，为增强SAR有向目标检测模型的鲁棒性和泛化能力提供了一种有效的数据增强策略。
