面向 3D 合成孔径雷达成像的神经隐式表示

合成孔径雷达（SAR）是一种测量场景 2D 切片的 3D 空间傅里叶变换的体积成像传感器。在许多操作场景中，测量的 2D 切片集合未填满傅里叶域的 3D 空间，导致重建图像中出现显著伪影。传统方法使用简单先验（如图像域稀疏性）来正则化逆问题。本文综述了我们最近的工作，该工作通过采用神经结构来建模主导 SAR 返回的表面散射，实现了 3D SAR 成像的领先性能。这些神经结构以学习自稀疏散射数据中获得的形式对物体表面进行编码。由于从稀疏且噪声较大的点云估计平滑表面是一个不确定的问题，我们通过在训练步骤中对隐式表面表示进行点采样来正则化表面估计。我们展示了模型能够使用测量和仿真数据表示单个车辆的目标散射，以及由大量车辆组成的更大场景。我们对未来的研究方向进行了总结，呼吁开发能够学习复数值神经表示的方法，以实现从体积神经隐式表示综合生成新集合。