SARMAE：用于 SAR 表征学习的噪声感知掩码自编码器
计算机视觉与模式识别
2026-03-18 v2 机器学习
摘要
合成孔径雷达（SAR）图像在所有天气、白天和夜晚的遥感应用中发挥着关键作用。然而，现有的 SAR 导向深度学习受限于数据稀缺，而 SAR 图像中物理相关的散斑噪声进一步阻碍了细粒度语义表征学习。为应对这些挑战，我们提出 SARMAE，一种用于自监督 SAR 表征学习的噪声感知掩码自编码器。具体而言，我们构建了 SAR-1M，第一个百万量级的 SAR 数据集，并附有配对的光学图像，以支持大规模预训练。在此基础上，我们设计了散斑感知表征增强（SARE），将 SAR 特定的散斑噪声注入掩码自编码器中，以促进噪声感知和鲁棒的表征学习。此外，我们引入语义锚点表征约束（SARC），利用配对的光学先验来对齐 SAR 特征并确保语义一致性。在多个 SAR 数据集上的广泛实验表明，SARMAE 在分类、检测和分割任务上取得了最先进的性能。代码和模型将在 https://github.com/MiliLab/SARMAE 上公开。
引用
@article{arxiv.2512.16635,
title = {SARMAE: Masked Autoencoder for SAR Representation Learning},
author = {Danxu Liu and Di Wang and Hebaixu Wang and Haoyang Chen and Wentao Jiang and Yilin Cheng and Haonan Guo and Wei Cui and Jing Zhang},
journal= {arXiv preprint arXiv:2512.16635},
year = {2026}
}
备注
The paper is accepted by CVPR 2026! Code and models will be available at https://github.com/MiliLab/SARMAE