C-DiffSET：基于潜在扩散的SAR至EO图像翻译 with Confidence-Guided Reliable Object Generation

合成孔径雷达（SAR）图像提供了稳健的环境和时序覆盖（例如在云层、季节、昼夜循环期间），但其噪声和独特的结构模式给图像解释带来挑战，尤其是对于非专家而言。SAR至EO（电气-光学）图像翻译（SET）已涌现出以使SAR图像更具感知可解释性。然而，传统方法在有限的SAR-EO数据集上从头训练，容易出现过拟合。为此，我们引入基于置信度的扩散方法，称为C-DiffSET，一种利用广泛在自然图像上预训练的潜在扩散模型（LDM）的框架，从而有效适应EO领域。我们发现，预训练的VAE编码器即使在SAR输入噪声水平变化的情况下，也能在相同的潜在空间中对齐SAR和EO图像。为进一步提高SET的像素级保真度，我们提出了置信度引导的扩散（C-Diff）损失，以缓解因时序差异导致的伪影，如对象出现或消失，从而增强结构准确性。C-DiffSET 在多个数据集上实现了最先进（SOTA）结果，显著优于最新的图像到图像翻译方法和SET方法。