[论文解读] Learning a Dilated Residual Network for SAR Image Despeckling

Qiang Zhang, Qiangqiang Yuan+3 more|arXiv (Cornell University)|Sep 9, 2017

Image and Signal Denoising Methods参考文献 43被引用 11

一句话总结

本文提出SAR-DRN，一种利用空洞残差网络进行合成孔径雷达（SAR）图像去斑的深度学习框架。通过利用空洞卷积、跳跃连接和残差学习，该模型在减少强斑点噪声的同时保持图像细节，性能优于当前最先进方法。

ABSTRACT

In this paper, to break the limit of the traditional linear models for synthetic aperture radar (SAR) image despeckling, we propose a novel deep learning approach by learning a non-linear end-to-end mapping between the noisy and clean SAR images with a dilated residual network (SAR-DRN). SAR-DRN is based on dilated convolutions, which can both enlarge the receptive field and maintain the filter size and layer depth with a lightweight structure. In addition, skip connections and residual learning strategy are added to the despeckling model to maintain the image details and reduce the vanishing gradient problem. Compared with the traditional despeckling methods, the proposed method shows superior performance over the state-of-the-art methods on both quantitative and visual assessments, especially for strong speckle noise.

研究动机与目标

• 克服传统线性模型在SAR图像去斑中的局限性。
• 开发一种端到端的深度学习方法，学习从含噪SAR图像到干净SAR图像的非线性映射。
• 在训练过程中保持图像细节并缓解梯度消失问题。
• 在强斑点噪声条件下实现更优的去斑性能。
• 设计一种使用空洞卷积实现大感受野的轻量化网络架构。

提出的方法

• 所提方法采用空洞残差网络（SAR-DRN），利用空洞卷积在不增加滤波器大小或深度的情况下扩展感受野。
• 引入跳跃连接以稳定训练并保留图像的精细细节。
• 应用残差学习以促进深层网络的优化并减轻梯度消失问题。
• 网络端到端训练，学习从含噪SAR图像到其对应干净版本的直接映射。
• 该架构在保持轻量化结构的同时，通过空洞卷积实现大感受野。
• 使用损失函数优化模型，以最小化预测结果与真实干净图像之间的差异。

实验结果

研究问题

• RQ1 深度学习模型能否有效学习SAR图像去斑的非线性映射，超越传统线性方法？
• RQ2 空洞卷积在保持网络深度和参数效率的同时，如何有助于维持大感受野？
• RQ3 跳跃连接和残差学习在多大程度上改善了图像细节的保留和训练稳定性？
• RQ4 与当前最先进去斑技术相比，该方法在强斑点噪声条件下的表现如何？
• RQ5 该模型能否在不增加模型复杂度的前提下实现更优的定量与视觉效果？

主要发现

• 所提SAR-DRN方法在定量与视觉评估中均优于传统及当前最先进去斑方法。
• 该模型在减少强斑点噪声的同时，能有效保留精细图像结构与纹理。
• 空洞卷积的使用使轻量化架构具备大感受野，提升了效率与性能。
• 跳跃连接与残差学习显著缓解了梯度消失问题，并增强了深层网络的特征学习能力。
• 该模型在基准数据集上实现了高质量的去斑效果，PSNR与结构相似性指数（SSIM）均有提升。
• 视觉评估表明，SAR-DRN在高噪声区域对边缘与纹理的保留优于对比方法。