基于自监督深度神经网络的多时相散斑抑制
图像与视频处理
2023-02-08 v2 计算机视觉与模式识别
摘要
散斑滤波通常是分析合成孔径雷达（SAR）图像的前提。在单图像去散斑领域已取得巨大进展。最新技术依赖深度神经网络来恢复 SAR 图像特有的各种结构和纹理。SAR 图像时间序列的可用性提供了通过组合同一区域上不同散斑实现来改善散斑滤波的可能性。深度神经网络的有监督训练需要无散斑真值图像。此类图像只能通过某种平均（空间或时间积分）间接获得，且不完美。鉴于多时相散斑滤波可达到的极高质量恢复潜力，需要规避真值图像的局限。我们将近期针对单视复数 SAR 图像的自监督训练策略 MERLIN 扩展到多时相滤波情形。这需要对空间和时维以及复数幅度实部和虚部之间的统计依赖源进行建模。在含模拟散斑数据集上的定量表明，当纳入额外 SAR 图像时散斑抑制有明显改善。我们的方法随后应用于 TerraSAR-X 图像栈，并显示出优于竞争的多时相散斑滤波方法。训练模型的代码已在 Télécom Paris Institut Polytechnique de Paris 的 LTCI 实验室 IMAGES 团队的 Gitlab 上免费提供（https://gitlab.telecom-paris.fr/ring/multi-temporal-merlin/）。
引用
@article{arxiv.2207.11095,
title = {Multi-temporal speckle reduction with self-supervised deep neural networks},
author = {Inès Meraoumia and Emanuele Dalsasso and Loïc Denis and Rémy Abergel and Florence Tupin},
journal= {arXiv preprint arXiv:2207.11095},
year = {2023}
}