合成孔径声纳的深度自聚焦

合成孔径声纳（SAS）需要精确的位置和环境信息，以在图像重建步骤中产生聚焦良好的输出。然而，这些测量中的误差通常存在，导致图像散焦。为克服这些问题，在图像重建后采用自聚焦（autofocus）算法作为后处理步骤，以利用图像内容本身提高图像质量。这些算法通常是迭代且基于指标的，即寻求优化图像锐度指标。在本文中，我们展示了机器学习，特别是深度学习，解决自聚焦问题的潜力。我们将该问题表述为使用我们称为Deep Autofocus的深度网络进行自监督相位误差估计任务。我们的表述具有非迭代（因而快速）且不需要其他去模糊深度学习方法常要求的真实聚焦-散焦图像对的优势。我们在真实世界数据集上用基于梯度下降优化的一组常见锐度指标对比了我们的技术。我们的结果表明，Deep Autofocus能够产生在感知上与基准迭代技术一样好但计算成本低得多的图像。我们得出结论，我们提出的Deep Autofocus可比最先进的替代方案提供更有利的代价-质量权衡，并具有显著的未来研究潜力。