一种用于 InSAR 相位滤波与相干性估计的无监督生成式神经网络方法
图像与视频处理
2020-08-11 v3 机器学习
机器学习
摘要
相位滤波与像素质量（相干性）估计在由干涉合成孔径雷达（InSAR）图像生成数字高程模型（DEM）中至关重要，因为它消除了空间不一致性（残差）并极大改善后续解缠。大量 InSAR 数据促进了对地理区域的广域监测（WAM）。并行计算的进展加速了卷积神经网络（CNNs），使其在视觉模式识别上优于人类表现，这使 CNN 成为 WAM 的良好选择。然而，该研究在很大程度上未被探索。因此我们提出“GenInSAR”，一种基于 CNN 的用于联合相位滤波与相干性估计的生成模型，其直接学习 InSAR 数据分布。GenInSAR 在卫星与模拟含噪 InSAR 图像上的无监督训练在总残差削减上优于其他五种相关方法（平均提升超 16.5%），且在分支切割周围过平滑/伪影更少。GenInSAR 的相位、相干性均方根误差与相位余弦误差相比相关方法平均分别改善 0.54、0.07 与 0.05。
引用
@article{arxiv.2001.09631,
title = {An Unsupervised Generative Neural Approach for InSAR Phase Filtering and Coherence Estimation},
author = {Subhayan Mukherjee and Aaron Zimmer and Xinyao Sun and Parwant Ghuman and Irene Cheng},
journal= {arXiv preprint arXiv:2001.09631},
year = {2020}
}
备注
to be published in a future issue of IEEE Geoscience and Remote Sensing Letters