深度学习已在光学图像超分辨率任务中取得成功,但针对合成孔径雷达(Synthetic Aperture Radar,SAR)图像的超分辨率方法仍然有限。这是由于SAR图像固有的散斑噪声和较高的模糊度,使得超分辨率重建更加困难。简单地将去噪和超分辨率模型...深度学习已在光学图像超分辨率任务中取得成功,但针对合成孔径雷达(Synthetic Aperture Radar,SAR)图像的超分辨率方法仍然有限。这是由于SAR图像固有的散斑噪声和较高的模糊度,使得超分辨率重建更加困难。简单地将去噪和超分辨率模型级联并不能获得最优的重建效果,因为级联方案会使得各模型产生的误差进一步积累。为了在SAR图像超分辨率任务中更好地同时去除噪声并保留纹理细节,本文提出了一种基于知识蒸馏的联合去散斑超分辨率算法。使用干净数据训练教师模型,在训练学生模型时,通过在编码阶段引入特征蒸馏,使得学生网络获得无噪声的潜在变量,从而恢复出干净的高分辨率图像。本文在仿真SAR图像数据集和真实SAR图像数据集上进行了实验。实验结果显示,对于仿真数据集,无论在何种噪声强度下,相比于级联方案,该方法的峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)可以取得约0.4~1 dB的提升,结构相似性指数(Structural Similarity Index Measure,SSIM)可以取得约0.01~0.04的提升。相比于其他方法,该方法的PSNR值取得了约3~9 dB的显著提升,SSIM值取得了约0.01~0.1的提升。对于真实的SAR场景,该方法在等效视数(Equivalent Number of Looks,ENL)、基于平均值比的边缘保留度(Edge Preservation Degree based on the Ratio of Average,EPD-ROA)和比率均值(Mean of Ratio,MoR)等无参考指标上也取得了最佳结果。本文提出的算法在视觉效果上也更有效地抑制了散斑噪声,保留了图像的纹理细节。实验结果验证了本文提出的基于知识蒸馏的SAR图像联合降噪超分辨率方法的有效性,明显优于传统的级联方案和其他算法。展开更多
文摘深度学习已在光学图像超分辨率任务中取得成功,但针对合成孔径雷达(Synthetic Aperture Radar,SAR)图像的超分辨率方法仍然有限。这是由于SAR图像固有的散斑噪声和较高的模糊度,使得超分辨率重建更加困难。简单地将去噪和超分辨率模型级联并不能获得最优的重建效果,因为级联方案会使得各模型产生的误差进一步积累。为了在SAR图像超分辨率任务中更好地同时去除噪声并保留纹理细节,本文提出了一种基于知识蒸馏的联合去散斑超分辨率算法。使用干净数据训练教师模型,在训练学生模型时,通过在编码阶段引入特征蒸馏,使得学生网络获得无噪声的潜在变量,从而恢复出干净的高分辨率图像。本文在仿真SAR图像数据集和真实SAR图像数据集上进行了实验。实验结果显示,对于仿真数据集,无论在何种噪声强度下,相比于级联方案,该方法的峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)可以取得约0.4~1 dB的提升,结构相似性指数(Structural Similarity Index Measure,SSIM)可以取得约0.01~0.04的提升。相比于其他方法,该方法的PSNR值取得了约3~9 dB的显著提升,SSIM值取得了约0.01~0.1的提升。对于真实的SAR场景,该方法在等效视数(Equivalent Number of Looks,ENL)、基于平均值比的边缘保留度(Edge Preservation Degree based on the Ratio of Average,EPD-ROA)和比率均值(Mean of Ratio,MoR)等无参考指标上也取得了最佳结果。本文提出的算法在视觉效果上也更有效地抑制了散斑噪声,保留了图像的纹理细节。实验结果验证了本文提出的基于知识蒸馏的SAR图像联合降噪超分辨率方法的有效性,明显优于传统的级联方案和其他算法。
