用于实时3D近场MIMO雷达成像的高效基于物理的学习重建方法
图像与视频处理
2023-12-29 v1 机器学习
信号处理
摘要
近场多输入多输出(MIMO)雷达成像系统最近引起了广泛关注。在本文中，我们开发了用于实时近场MIMO成像的新型非迭代深度学习重建方法。目标是在压缩设置下以低计算成本实现高图像质量。所开发的方法有两个阶段。在第一种方法中，基于物理的初始阶段执行伴随操作将测量值反投影到图像空间，而基于深度神经网络(DNN)的第二阶段将3D反投影测量值转换为仅幅度的反射率图像。由于场景反射率通常具有随机相位，DNN直接处理伴随结果的幅度。作为DNN，使用3D U-Net来联合利用距离和横向相关性。为了比较评估在基于学习的方法中利用物理的重要性，还开发了两种额外的方法，用全连接层替换基于物理的第一阶段，作为纯基于学习的方法。还通过将第二阶段的DNN架构更改为包括复数处理（而不是仅幅度处理）、2D卷积核（而不是3D）和ResNet架构（而不是U-Net）来分析性能。此外，我们开发了一个合成器来生成用于训练的大规模数据集，包含3D扩展目标。我们通过实验数据和大量仿真展示了性能。结果显示了所开发的基于物理的学习重建方法在高度压缩设置下在运行时间和图像质量方面的有效性。我们的源代码和数据集已在GitHub上提供。
引用
@article{arxiv.2312.16959,
title = {Efficient Physics-Based Learned Reconstruction Methods for Real-Time 3D Near-Field MIMO Radar Imaging},
author = {Irfan Manisali and Okyanus Oral and Figen S. Oktem},
journal= {arXiv preprint arXiv:2312.16959},
year = {2023}
}
备注
27 pages, 17 figures. Accepted for publication in Digital Signal Processing, see DOI below. The source codes and the dataset are made available at https://github.com/METU-SPACE-Lab/Efficient-Learned-3D-Near-Field-MIMO-Imaging