更好的相干性，更好的高度：融合物理模型与深度学习用于从干涉相位 SAR 数据估计森林高度
计算机视觉与模式识别
2025-04-15 v1
摘要
从合成孔径雷达（SAR）图像估计森林高度往往依赖传统物理模型，这些模型虽然具有可解释性和数据效率，但在泛化方面可能面临挑战。相比之下，深度学习（DL）方法缺乏物理洞察。为此，我们提出了 CoHNet - 一个结合二者优势的端到端框架：使用物理信息约束优化的深度学习。我们利用预训练的神经代理模型通过独特的训练损失函数来强制执行物理可行性。我们的实验表明，这种方法不仅提高了森林高度估计的准确性，而且产生有意义的特征，从而增强了预测可靠性。
引用
@article{arxiv.2504.10395,
title = {Better Coherence, Better Height: Fusing Physical Models and Deep Learning for Forest Height Estimation from Interferometric SAR Data},
author = {Ragini Bal Mahesh and Ronny Hänsch},
journal= {arXiv preprint arXiv:2504.10395},
year = {2025}
}