基于循环神经网络的基础追踪去噪及其在超分辨率 SAR 层析成像中的应用
信号处理
2026-04-22 v1
摘要
寻找欠定线性系统的稀疏解通常需要求解 L1 正则化最小二乘最小化问题，即所谓的基础追踪去噪（BPDN）。由于无法解析求解，它们计算代价高昂。一种称为深度展开的新兴技术为 BPDN 提供了神经网络描述能力、可解释性与计算效率的良好结合。许多用于 BPDN 的展开神经网络，例如学习迭代收缩阈值算法及其变体，采用收缩函数修剪幅值较小的元素。通过在合成孔径雷达层析成像（TomoSAR）上的实验，我们发现收缩步骤会导致网络动态中不可避免的信息丢失并降低模型性能。我们提出了一种带有新颖稀疏最小门控单元（SMGU）的循环神经网络（RNN）来解决信息丢失问题。所提出的带 SMGU 的 RNN 架构得益于将历史信息纳入优化，从而有效在最终输出中保留完整信息。以 TomoSAR 反演为例，大量仿真表明所提 RNN 在超分辨能力及泛化能力方面优于最先进的基于深度学习的算法。其双散射体检测率提高了 10% 至 20%，且对散射体间相位与幅度比差异较不敏感。在真实 TerraSAR-X 聚束模式图像上的测试也显示出对测试场址的高质量三维重建。
引用
@article{arxiv.2305.14209,
title = {Basis Pursuit Denoising via Recurrent Neural Network Applied to Super-resolving SAR Tomography},
author = {Kun Qian and Yuanyuan Wang and Peter Jung and Yilei Shi and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2305.14209},
year = {2026}
}