[论文解读] Virtual SAR: A Synthetic Dataset for Deep Learning based Speckle Noise Reduction Algorithms

Shrey Dabhi, Kartavya Soni+3 more|arXiv (Cornell University)|Apr 23, 2020

Image and Signal Denoising Methods参考文献 23被引用 7

一句话总结

本文提出了 Virtual SAR，一个用于训练深度学习模型以减少合成孔径雷达（SAR）图像斑点噪声的合成数据集。通过使用基于物理的模型生成具有受控斑点噪声的逼真SAR图像，作者证明其合成数据集可使基于CNN的去噪模型在基准图像上实现最先进性能，PSNR达到27.119，SSIM达到0.661，显著优于传统滤波器，并将1024×1024图像的推理时间缩短至仅3.22秒。

ABSTRACT

Synthetic Aperture Radar (SAR) images contain a huge amount of information, however, the number of practical use-cases is limited due to the presence of speckle noise in them. In recent years, deep learning based techniques have brought significant improvement in the domain of denoising and image restoration. However, further research has been hampered by the lack of availability of data suitable for training deep neural network based systems. With this paper, we propose a standard way of generating synthetic data for the training of speckle reduction algorithms and demonstrate a use-case to advance research in this domain.

研究动机与目标

• 解决SAR图像去斑领域缺乏公开可用、标准化数据集以训练深度学习模型的问题。
• 开发一种可复现、可扩展的方法，用于生成具有逼真斑点噪声的合成SAR图像，以支持训练与评估。
• 通过在真实世界基准图像上训练和评估基于深度CNN的去噪模型，证明该合成数据集的有效性。
• 通过提供一致、可访问且多样化的训练资源，加速SAR图像恢复领域的研究。
• 通过实现高效、大规模的数据生成，减少对真实SAR数据和昂贵仿真工具的依赖。

提出的方法

• 作者使用基于物理的模型生成合成SAR图像，其中斑点噪声服从均值为1、方差为1/L的伽马分布，L为视数。
• 使用MATLAB的imnoise()函数将噪声添加到干净的SAR图像中，以模拟不同L值下的乘性斑点噪声。
• 通过将来自NASA和ESA任务（Sentinel-1、ALOS PALSAR）的真实SAR图像与合成斑点噪声结合，构建数据集，以生成多样化的训练样本。
• 训练一种受最先进ID-CNN启发的CNN架构，直接在原始强度域上学习从噪声图像到干净图像的映射，避免对数变换。
• 使用ADAM优化器、学习率为0.001和均方误差损失函数进行训练，损失函数中未使用总变差正则化项。
• 性能通过PSNR、SSIM和ENL指标进行评估，推理时间在高性能工作站上测量。

实验结果

研究问题

• RQ1 具有受控斑点噪声的合成数据集能否有效用于训练深度学习模型进行SAR图像去斑？
• RQ2 在PSNR、SSIM和ENL方面，基于合成SAR数据训练的CNN模型性能与传统滤波方法相比如何？
• RQ3 与传统去斑算法相比，基于合成数据训练的模型是否能显著降低推理时间？
• RQ4 该合成数据集能否在不依赖真实SAR数据的情况下，支持可复现且可扩展的SAR图像去噪研究？
• RQ5 在强度域上直接训练是否优于需要对SAR图像进行对数变换的方法？

主要发现

• 所提出的合成数据集使基于CNN的模型在1024×1024测试图像上实现了27.119的PSNR，显著优于传统滤波器（如Lee滤波器为22.965，Kuan滤波器为22.989）。
• 模型达到0.661的SSIM，超过次优方法SAR-BM3D（0.617），表明其在结构保持方面表现更优。
• 等效视数（ENL）为31.362，表明噪声均匀性更好、噪声水平更低，优于SAR-BM3D（34.990）和PPB（30.351）。
• CNN模型将1024×1024图像的推理时间缩短至3.22秒，远快于PPB（137.28秒）和SAR-BM3D（159.74秒）。
• 损失函数中未使用总变差正则化项并未影响性能，因为数据集中干净图像本身提供了足够的正则化。
• 结果证实，通过生成具有逼真斑点噪声的合成数据，是替代真实数据用于SAR去斑深度学习模型训练的一种可行且有效的方法。