基于知识蒸馏的雷达图像联合降噪超分辨率方法

来源：信号处理杂志 2024年第10期北京时间：

作者：刘子源, 王绍平, 谷源涛

摘要：深度学习已在光学图像超分辨率任务中取得成功，但针对合成孔径雷达（Synthetic Aperture Radar， SAR）图像的超分辨率方法仍然有限。这是由于SAR图像固有的散斑噪声和较高的模糊度，使得超分辨率重建更加困难。简单地将去噪和超分辨率模型级联并不能获得最优的重建效果，因为级联方案会使得各模型产生的误差进一步积累。为了在SAR图像超分辨率任务中更好地同时去除噪声并保留纹理细节，本文提出了一种基于知识蒸馏的联合去散斑超分辨率算法。使用干净数据训练教师模型，在训练学生模型时，通过在编码阶段引入特征蒸馏，使得学生网络获得无噪声的潜在变量，从而恢复出干净的高分辨率图像。本文在仿真SAR图像数据集和真实SAR图像数据集上进行了实验。实验结果显示，对于仿真数据集，无论在何种噪声强度下，相比于级联方案，该方法的峰值信噪比（Peak Signal-to-Noise Ratio， PSNR）可以取得约0.4~1 dB的提升，结构相似性指数（Structural Similarity Index Measure， SSIM）可以取得约0.01~0.04的提升。相比于其他方法，该方法的PSNR值取得了约3~9 dB的显著提升，SSIM值取得了约0.01~0.1的提升。对于真实的SAR场景，该方法在等效视数（Equivalent Number of Looks， ENL）、基于平均值比的边缘保留度（Edge Preservation Degree based on the Ratio of Average， EPD-ROA）和比率均值（Mean of Ratio， MoR）等无参考指标上也取得了最佳结果。本文提出的算法在视觉效果上也更有效地抑制了散斑噪声，保留了图像的纹理细节。实验结果验证了本文提出的基于知识蒸馏的SAR图像联合降噪超分辨率方法的有效性，明显优于传统的级联方案和其他算法。

关键词：合成孔径雷达, 图像超分辨率, 图像去噪, 深度学习