如魔法般：基于MERLIN的自监督训练深度去散斑网络
计算机视觉与模式识别
2021-11-16 v2 图像与视频处理
摘要
散斑起伏严重限制了合成孔径雷达（SAR）图像的可解译性。因此，散斑抑制已成为至少四十年来众多研究的主题。基于深度神经网络的技术近期在SAR图像复原质量方面达到了新的性能水平。除设计合适的网络架构或选择恰当的损失函数外，训练集的构建也至关重要。迄今为止，大多数方法考虑有监督训练策略：网络被训练以产生尽可能接近无散斑参考图像的输出。无散斑图像通常难以获取，这就需要借助自然或光学图像，或在长时间序列中选取稳定区域以规避缺乏真值的问题。另一方面，自监督避免了无散斑图像的使用。我们引入一种基于单视复SAR图像实部和虚部分离的自监督策略，称为MERLIN（coMplex sElf-supeRvised despeckLINg），并表明它提供了一种训练各类深度去散斑网络的简便途径。用MERLIN训练的网络考虑了由特定传感器和成像模式对应的SAR传递函数引起的空间相关性。通过仅需单幅图像并可能利用大型存档数据，MERLIN为无麻烦且大规模的去散斑网络训练打开了大门。训练模型的代码已在 https://gitlab.telecom-paris.fr/RING/MERLIN 免费提供。
引用
@article{arxiv.2110.13148,
title = {As if by magic: self-supervised training of deep despeckling networks with MERLIN},
author = {Emanuele Dalsasso and Loïc Denis and Florence Tupin},
journal= {arXiv preprint arXiv:2110.13148},
year = {2021}
}
备注
To appear on IEEE Transactions on Geoscience and Remote Sensing