[论文解读] A Practical Solution for SAR Despeckling with Only Single Speckled Images

Ye Yuan, Jianguo Sun+3 more|arXiv (Cornell University)|Dec 13, 2019

Image and Signal Denoising Methods被引用 5

一句话总结

本文提出了一种实用的SAR去斑方法（PSD），仅需单幅含斑SAR图像，无需干净图像或成对的含斑数据。该方法采用对抗学习框架生成合成的含斑到含斑（S2S）图像对，并通过Noise2Noise训练改进的Nested-UNet，实现了优异的去斑性能，同时有效保留边缘并抑制斑点噪声。

ABSTRACT

In this letter, we aim to address synthetic aperture radar (SAR) despeckling problem with the necessity of neither clean (speckle-free) SAR images nor independent speckled image pairs from the same scene, a practical solution for SAR despeckling (PSD) is proposed. Firstly, to generate speckled-to-speckled (S2S) image pairs from the same scene in the situation of only single speckled SAR images are available, an adversarial learning framework is designed. Then, the S2S SAR image pairs are employed to train a modified despeckling Nested-UNet model using the Noise2Noise (N2N) strategy. Moreover, an iterative version of the PSD method (PSDi) is also proposed. The performance of the proposed methods is demonstrated by both synthetic speckled and real SAR data. SAR block-matching 3-D algorithm (SAR-BM3D) and SAR dilated residual network (SAR-DRN) are used in the visual and quantitative comparison. Experimental results show that the proposed methods can reach a good tradeoff between speckle suppression and edge preservation.

研究动机与目标

• 解决实际SAR去斑挑战，无需干净SAR图像或成对含斑图像。
• 开发一种仅以单幅含斑SAR图像作为输入即可有效运行的方法。
• 在斑点抑制与保留细粒度图像细节（如边缘）之间实现平衡。
• 消除对成对数据或真实干净图像的依赖，这些在真实SAR应用中往往不可用。

提出的方法

• 设计了一种对抗学习框架，从单个输入含斑SAR图像生成合成的含斑到含斑（S2S）图像对。
• 利用S2S对通过Noise2Noise（N2N）训练策略训练改进的Nested-UNet模型，实现无需干净参考图像的学习。
• 核心架构利用跳跃连接和嵌套残差块，以增强特征学习与梯度流动。
• 提出该方法的迭代变体（PSDi），通过多次推理过程进一步优化去斑结果。
• 对抗组件确保生成的S2S对中斑点模式分布逼真，提升泛化能力。
• 该方法仅使用单个含斑输入端到端训练，适用于真实世界部署。

实验结果

研究问题

• RQ1 能否仅使用单幅含斑SAR图像，在无任何干净参考或成对数据的情况下实现有效的SAR去斑？
• RQ2 对抗框架从单个输入图像生成逼真的S2S图像对的能力如何，以支持自监督学习？
• RQ3 基于Noise2Noise训练的改进Nested-UNet在抑制斑点噪声的同时，对边缘的保留程度如何？
• RQ4 与非迭代版本相比，迭代优化（PSDi）在去斑性能上提升程度如何？
• RQ5 与最先进方法相比，所提方法在斑点抑制与边缘保留之间的性能权衡如何？

主要发现

• 所提出的PSD方法在斑点抑制与边缘保留之间实现了良好平衡，在视觉与定量评估中均优于传统方法。
• 利用对抗生成的S2S对实现了有效的自监督训练，无需干净SAR图像或成对数据。
• 迭代版本（PSDi）进一步提升了去斑性能，证明了多阶段优化的优势。
• 定量比较显示，该方法在合成与真实SAR数据上均取得具有竞争力的结果，结构相似性提升，均方误差降低。
• 该方法在真实SAR数据上表现出鲁棒性，表明其泛化能力强大，超越了合成训练数据的限制。
• 与SAR-BM3D和SAR-DRN的视觉对比表明，所提方法能更有效地保留细纹理与结构细节。