$\mathbf{\Phi}$-GAN：有限数据下生成 SAR 图像的物理启发式 GAN
计算机视觉与模式识别
2025-03-05 v1 图像与视频处理
摘要
在少量样本下改进生成对抗网络训练的方法已在自然图像领域得到探索。然而，这些方法对合成孔径雷达图像的效果有限，因为它们未考虑 SAR 独特的电磁散射特性。为了解决这一问题，我们提出了一种名为 -GAN 的物理启发式正则化方法，该方法将 SAR 的理想点散射中心模型与两种物理一致性损失相结合。PSC 模型利用物理参数近似 SAR 目标，确保 -GAN 生成符合真实物理特性的 SAR 图像，同时通过关注基于 PSC 的决策线索来防止判别器过拟合。为了将 PSC 模型嵌入 GAN 以进行端到端训练，我们引入了一个物理启发式神经模块，能够高效估计 SAR 目标的物理参数。该模块保留了物理模型的可解释性，并可在有限数据下进行训练。我们提出了两种物理损失函数：一种用于生成器，引导其生成物理参数与真实 SAR 图像一致的图像；另一种用于判别器，通过基于 PSC 属性进行决策来增强其鲁棒性。我们在多个条件 GAN 模型上评估了 -GAN，在三个 SAR 图像数据集的数据稀缺场景中展示了 SOTA 性能。
引用
@article{arxiv.2503.02242,
title = {$\mathbf{\Phi}$-GAN: Physics-Inspired GAN for Generating SAR Images Under Limited Data},
author = {Xidan Zhang and Yihan Zhuang and Qian Guo and Haodong Yang and Xuelin Qian and Gong Cheng and Junwei Han and Zhongling Huang},
journal= {arXiv preprint arXiv:2503.02242},
year = {2025}
}