[论文解读] Blind SAR Image Despeckling Using Self-Supervised Dense Dilated Convolutional Neural Network

Ye Yuan, Jian Guan+1 more|arXiv (Cornell University)|Aug 5, 2019

Image and Signal Denoising Methods参考文献 43被引用 10

一句话总结

本文提出一种自监督盲反斑 SAR 去斑方法 BDSS，采用密集空洞卷积神经网络，通过在含斑图像上优化 L2 损失来学习抑制斑点噪声，利用乘性斑点噪声的单位均值特性，无需干净标签。该方法在合成与真实 SAR 数据上均实现了最先进的去斑性能与特征保持能力（边缘、点目标、辐射度），且其盲去斑能力不受成像时数（即噪声水平）影响。

ABSTRACT

Despeckling is a key and indispensable step in SAR image preprocessing, existing deep learning-based methods achieve SAR despeckling by learning some mappings between speckled (different looks) and clean images. However, there exist no clean SAR image in the real world. To this end, in this paper, we propose a self-supervised dense dilated convolutional neural network (BDSS) for blind SAR image despeckling. Proposed BDSS can still learn to suppress speckle noise without clean ground truth by optimized for L2 loss. Besides, three enhanced dense blocks with dilated convolution are employed to improve network performance. The synthetic and real-data experiments demonstrate that proposed BDSS can achieve despeckling effectively while maintaining well features such as edges, point targets, and radiometric. At last, we demonstrate that our proposed BDSS can achieve blind despeckling excellently, i.e., do not need to care about the number of looks.

研究动机与目标

• 为解决真实应用场景中缺乏干净 SAR 图像参考的问题，该问题阻碍了监督深度学习在去斑中的应用。
• 实现对未知时数（即噪声水平）的 SAR 图像盲去斑，具备鲁棒性。
• 开发一种自监督学习框架，仅使用成对的噪声图像进行训练，无需干净的真值标签。
• 在去斑过程中保持关键图像特征，如边缘、点目标和辐射度值。
• 通过集成密集残差连接与空洞卷积，提升感受野与特征学习能力，从而在性能上超越现有基于 CNN 的方法。

提出的方法

• 所提出的 BDSS 框架采用自监督学习策略，训练时输入与目标均为含斑 SAR 图像，利用斑点噪声具有单位均值的统计特性。
• 设计了一种新颖的密集空洞卷积网络架构，结合密集残差模块与空洞卷积，以扩展感受野并提升特征学习能力。
• 通过在独立污染的含斑图像对之间使用 L2 损失进行训练，使网络能够将干净信号学习为噪声观测的期望平均值。
• 基于 ImageNet 构建了一个合成 SAR 类似数据集，以模拟真实的 SAR 图像统计特性与训练分布。
• 采用密集连接以增强特征传播并减少内存使用，支持更深网络的构建，同时避免梯度消失问题。
• 模型端到端训练，将噪声输入映射为去斑输出，无需干净参考图像。

实验结果

研究问题

• RQ1 深度学习模型是否能在无任何干净训练标签的情况下实现有效的 SAR 去斑？
• RQ2 与监督或非盲方法相比，自监督网络在边缘、点目标与辐射度值保持方面表现如何？
• RQ3 使用空洞卷积与密集残差模块是否能提升盲 SAR 去斑的性能？
• RQ4 该模型是否能在不重新训练的情况下泛化于不同成像时数（即不同斑点噪声水平）？
• RQ5 在合成与真实 SAR 图像场景下，该方法与当前最先进的去斑技术相比，定量性能如何？

主要发现

• 在未知成像时数的真实 SAR 图像盲去斑中，BDSS 实现了 29.78 dB 的 PSNR 与 0.8551 的 SSIM，显著优于所有基线方法。
• 该方法在所有对比方法中取得了最高的 ENL（10.54），表明其具有更优的斑点抑制性能。
• 在合成数据实验中，BDSS 保持了最佳的边缘保留能力，表现为最高的平均 EPD-ROA（0.87）与 MOR（0.89）值。
• SAR-DRN 在盲去斑中表现第二，但 BDSS 尽管为自监督且无需针对不同噪声水平进行多映射，仍超越其性能。
• 模型对未知时数表现出鲁棒性，在随机时数（1–10）下保持一致性能，证实其盲去斑能力。
• 视觉结果表明，BDSS 避免了 BM3D、PPB 与 FANS 常见的过度平滑伪影，有效保持了精细结构与辐射一致性。