面向深度学习阵列-SAR重建的空间特征正则化技术报告

阵列合成孔径雷达（Array-SAR），也称为斜方阵雷达（TomoSAR），已显示出在城市区域进行高质量三维制图具有重要潜力。尽管深度学习（DL）方法最近在重建方面显示出优势，但大多数研究依赖于像素逐像素的重建，忽略了诸如建筑结构等空间特征，导致出现洞和碎片化边缘等伪影。空间特征正则化在传统方法中效果良好，但在基于DL的方法中仍受到 insufficient 探索。我们的研究将空间特征正则化集成到基于DL的阵列-SAR重建中，既围绕以下关键问题展开：城市区域映射中哪些空间特征是相关的？如何有效地描述、建模、正则化并纳入DL网络中？该研究包括五个阶段：空间特征描述与建模、正则化、特征增强网络设计、评估与讨论。分析城市场景中的尖锐边缘和几何形状作为关键特征。提出一种类内切片和类间切片策略，将二维切片作为重建单元，并通过并行和串联融合将其融合成三维场景。设计了两个计算框架——增强式迭代重建和增强式轻型重建，将空间特征模块集成到DL网络中，导致开发了四个专门的重建网络。使用城市建筑仿真数据集和两个公共数据集进行评估，进行六项测试以评估近点分辨率、结构完整性和城市场景中的鲁棒性。结果表明，空间特征正则化显著提高了重建精度，检索了更多完整的建筑结构，并通过减少噪声和异常值来增强鲁棒性。