γ-Net：基于深度学习的超分辨SAR层析反演
信号处理
2022-05-04 v1
摘要
合成孔径雷达层析（TomoSAR）已广泛应用于利用高分辨率SAR数据进行密集城区的三维重建。基于压缩感知（CS）的算法通常被认为是超分辨TomoSAR的最先进技术，尤其是在单视情况下。这种优越的性能是以额外的计算负担为代价的，因为稀疏重建无法解析求解，我们需要采用计算成本高昂的迭代求解器。在本文中，我们提出了一种新颖的基于深度学习的超分辨TomoSAR反演方法——γ-Net，以应对这一挑战。γ-Net采用先进的复值学习迭代收缩阈值算法（CV-LISTA）来模拟稀疏重建中的迭代优化步骤。仿真结果表明，训练良好的γ-Net的高度估计接近克拉美-罗下界，同时与一阶基于CS的方法相比，计算效率提高了1到2个数量级。与计算成本远高于一阶方法的、最先进的二阶TomoSAR求解器相比，其超分辨能力也没有下降。具体而言，在25次测量和6dB信噪比的中等超分辨情况下，γ-Net的检测率超过90%。此外，在有限基线下的仿真表明，所提出的算法以较大优势优于基于二阶CS的方法。在仅使用6幅干涉图的真实TerraSAR-X数据上的测试也显示了高质量的三维重建，并检测到高密度的双散射体。
引用
@article{arxiv.2112.04211,
title = {$\boldsymbol{\gamma}$-Net: Superresolving SAR Tomographic Inversion via Deep Learning},
author = {Kun Qian and Yuanyuan Wang and Yilei Shi and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2112.04211},
year = {2022}
}