[论文解读] NeighCNN: A CNN based SAR Speckle Reduction using Feature preserving Loss Function

Praveen Ravirathinam, Darshan Agrawal+1 more|arXiv (Cornell University)|Aug 26, 2021

Image and Signal Denoising Methods参考文献 17被引用 5

一句话总结

NeighCNN 提出了一种轻量级 CNN 架构，用于合成 SAR 图像中的乘性噪声去斑，通过减法层直接处理乘性噪声，避免了复杂的对数变换。它引入了一种新型三部分损失函数，结合欧氏损失、邻域损失和加权感知损失，在 PSNR 方面相比现有方法（如 IDCNN）实现了最先进性能，最高提升达 2.44 dB。

ABSTRACT

Coherent imaging systems like synthetic aperture radar are susceptible to multiplicative noise that makes applications like automatic target recognition challenging. In this paper, NeighCNN, a deep learning-based speckle reduction algorithm that handles multiplicative noise with relatively simple convolutional neural network architecture, is proposed. We have designed a loss function which is an unique combination of weighted sum of Euclidean, neighbourhood, and perceptual loss for training the deep network. Euclidean and neighbourhood losses take pixel-level information into account, whereas perceptual loss considers high-level semantic features between two images. Various synthetic, as well as real SAR images, are used for testing the NeighCNN architecture, and the results verify the noise removal and edge preservation abilities of the proposed architecture. Performance metrics like peak-signal-to-noise ratio, structural similarity index, and universal image quality index are used for evaluating the efficiency of the proposed architecture on synthetic images.

研究动机与目标

• 开发一种基于深度学习的 SAR 图像去斑方法，有效处理乘性斑点噪声，且无需依赖对数变换。
• 设计一种轻量级 CNN 架构，通过最优卷积层数量实现高效特征学习与噪声抑制。
• 提出一种新型损失函数，平衡像素级精度、结构相似性与高层语义保持，以提升图像质量。
• 在合成与真实 SAR 图像上评估模型性能，验证其鲁棒性与边缘保持能力。
• 为未来基于生成模型（如 GAN）的盲 SAR 去斑研究建立基线。

提出的方法

• NeighCNN 架构采用 12 个卷积层，配合 ReLU 激活函数与批量归一化，以稳定训练并加速收敛。
• 采用减法层将乘性斑点噪声建模为信号依赖的加性噪声，简化网络的学习任务。
• 所提出的损失函数为三部分的加权和：欧氏损失（像素级重建）、邻域损失（包含对角差异的局部结构一致性）与感知损失（高层语义相似性）。
• 感知损失组件使用预训练 VGG 网络深层特征的加权因子，增强结构保真度。
• 邻域损失通过引入对角邻域差异，扩展了标准总变差损失，提升了纹理与边缘一致性。
• 模型采用三部分损失函数端到端训练，同时优化低层与高层图像质量指标。

实验结果

研究问题

• RQ1 仅通过简单 CNN 架构与减法层，能否在不进行对数变换的情况下有效减少 SAR 图像中的乘性斑点噪声？
• RQ2 所提出的三部分损失函数（欧氏、邻域与感知）相较于单一或两部分损失函数，在图像质量与边缘保持方面表现如何？
• RQ3 在 SAR 去斑任务中，CNN 的最优卷积层数量是多少？需在性能与模型复杂度之间取得平衡。
• RQ4 与最先进方法（如 IDCNN 与 SARDRN）相比，所提损失函数在 PSNR、SSIM 与 UQI 指标上的提升程度如何？
• RQ5 该模型能否在真实 SAR 图像上实现良好泛化，有效去除斑点噪声的同时保持精细结构与边缘？

主要发现

• 在所有噪声水平（L=1 至 L=20）下，NeighCNN 相较于 IDCNN 的 PSNR 提升达 0.68–2.44 dB，展现出卓越的噪声抑制能力。
• 所提出的三部分损失函数在所有 L 值下均一致优于所有消融变体，在 PSNR、SSIM 与 UQI 指标上表现最佳，其中 L=20 时 SSIM 达到最高值 0.83。
• 在 L=1 时，NeighCNN 实现 PSNR 26.25 dB、SSIM 0.78 与 UQI 0.54，显著优于 SARDRN 与 IDCNN。
• 真实 SAR 图像（图卢兹与莱斯蒂赫特）的视觉结果表明，NeighCNN 能有效去除斑点噪声，同时保持精细边缘与纹理，优于 Kuan 滤波器、SARBM3D 与 SARDRN。
• 消融研究证实，三者损失组件的组合至关重要，任何单一或两两组合均无法在所有指标上达到同等性能水平。
• 该模型在不同噪声水平下表现出强鲁棒性，随着 L 增大，性能稳步提升，表明其对不同斑点强度具有良好的泛化能力。