使用复值卷积神经网络重建PolSAR图像时极化特性保持的探索

极化SAR数据固有的复值特性要求使用能够直接处理复值表示的专业算法。然而，这一方面在深度学习社区中仍未得到充分探索，许多研究选择在应用传统的实值模型之前将复信号转换到实数域。在这项工作中，我们利用复值神经网络，并研究了复值卷积自编码器的性能。我们表明，这些网络可以有效地压缩和重建全极化SAR数据，同时保留基本的物理特性，这通过Pauli、Krogager和Cameron相干分解以及非相干$H-\alpha$分解得到了证明。最后，我们强调了复值神经网络相对于其实值对应物的优势。这些见解为开发用于SAR数据处理的鲁棒、物理信息感知的复值生成模型铺平了道路。