A Robust and Efficient Scheme for Real-Time SAR Speckle Noise Reduction based on Attentional Self-Supervised Contrastive Deep Learning
Marwah M. Hassooni · Abdullah Al-Obaidi · Mustafa Nadhim Ghazal 等 4 人
提出RAST-Net，用注意力自监督对比深度学习实现SAR图像实时去斑。
残差卷积+CBAM+轻量Swin Transformer，自监督对比学习与量化优
在多项指标上优于传统滤波、CNN、自监督及扩散方法，且嵌入式部署高效。
可探索该轻量去斑模型在农业SAR作物监测边缘设备上的迁移与实时应用。
提出RAST-Net自监督对比学习去斑方案并在嵌入式平台验证，方法新颖、指标充分，对农业遥感影像智能解译有实用价值，但属细分技术进展，影响层级有限。
合成孔径雷达（SAR）是一种关键且必不可少的遥感技术，能够在全天候、全天时条件下实现高分辨率成像。但SAR图像受到乘性斑点噪声的影响，导致图像质量下降，并对图像解译和自动分析产生不利影响。为了解决这一问题，提出了一种新型残差注意力Swin Transformer网络（RAST-Net），用于高效地对SAR图像进行去斑。为提升局部特征表达能力，所提出的架构将残差卷积学习与卷积块注意力模块（CBAM）相结合；并加入轻量Swin Transformer块以捕获长距离上下文依赖关系。此外，采用自监督对比学习方法增强特征区分能力，并在不过度依赖清晰参考数据的情况下实现泛化。该设计还融入了量化感知优化技术，以确保该方法能够在NVIDIA Jetson Orin NX和Xilinx ZynqUltraScale+ MPSoC FPGA系统等真实设备上成功部署。综合实验结果表明，在PSNR、SSIM、FSIM、ENL和EPI等多种客观指标下，所提出的模型相比传统滤波器、CNN网络、自监督模型以及一些其他近期开发的Transformer和基于扩散的方法表现出更好的性能。所提出的网络不仅实现了较高的恢复精度，而且具有适中的计算复杂度、较低的推理延迟以及在嵌入式硬件平台上的出色部署效率。基于这些结果，所提出的RAST-Net是智能遥感和边缘AI应用中实时SAR图像恢复的一种有效且实用的解决方案。