deSpeckNet：基于深度学习的SAR图像去斑的泛化方法
图像与视频处理
2021-03-15 v1
摘要
深度学习（DL）已被证明是合成孔径雷达（SAR）图像去斑的合适方法。迄今为止，大多数DL模型被训练用于抑制遵循特定分布的散斑，无论是使用模拟噪声还是特定的一组真实SAR图像，这限制了这些方法在具有未知噪声统计特性的真实SAR图像上的适用性。在本文中，我们提出了一种DL方法deSpeckNet1，它同时估计散斑噪声分布和去斑图像。由于它不依赖于特定的噪声模型，deSpeckNet在多种地表覆盖条件下的SAR数据中具有良好的泛化能力。我们在印度尼西亚、刚果民主共和国和荷兰获取的单极化Sentinel-1图像、在日本获取的单极化ALOS-2/PALSAR-2图像以及在德国获取的Iceye X2图像上评估了deSpeckNet的性能。在所有情况下，deSpeckNet都能有效抑制散斑并恢复
引用
@article{arxiv.2012.03066,
title = {deSpeckNet: Generalizing Deep Learning Based SAR Image Despeckling},
author = {Adugna G. Mullissa and Diego Marcos and Devis Tuia and Martin Herold and Johannes Reiche},
journal= {arXiv preprint arXiv:2012.03066},
year = {2021}
}