咱们来讲讲给SAR图像去斑的一个大进展，主要是端到端ID-CNN这个模型，下面咱详细说说。SAR合成孔径雷达能穿过云层和黑夜拍地表，本来是个很牛的工具，可恼人的是“斑点噪声”，就像层马赛克把细节遮住了。传统的方法大多得靠滤波器或者统计模型，很难既保住边缘又把噪声压下去。这次这个ID-CNN模型，头一回把端到端的学习方法用在了SAR的后处理上，用几层卷积就直接估计并消除了斑点噪声，省去了先取对数再反演那些步骤，流程一下子变得简单多了。 先说说噪声模型和网络设计的动机。咱们把观测到的图像设为Y，没被污染的图像设为X，噪声是F。这三者的关系可以写成Y等于X乘以F，这里的F服从伽马分布，这是SAR特有的那种乘性噪声。要是直接把图像放进对数域来处理，虽然能让乘性噪声变成线性的，但得做对数和反对数运算，这就容易出现数值不稳定和信息损失的问题，而且整个过程还没法一次性联合优化。那咋办？本文想了个巧妙的法子，把噪声图像Y看成干净图像X和斑点F的乘积，也就是Y等于X除以F的倒数（F′）。网络只要把这个F′估计出来，再通过逐分量的除法残差层一除，就能把斑点抵消掉，留下去斑后的结果。这样既能保持端到端的特性，又能避免数值溢出。 再看ID-CNN的具体架构。噪声估计子这部分是八层卷积层加上批归一化和ReLU激活函数构成的。除了最后一层，每一层都用了64个1乘1的滤波器进行适当填充来保持尺寸不变，步长设成1也是为了防止边缘混叠。中间还留了条直通的路（跳过连接），把浅层的特征直接加到深层里，好缓解深层的梯度消失问题。 网络末端采用了Tanh作为激活函数，保证输出值在-1到1之间；残差层里Y除以估计出来的F′这个操作就把斑点给消掉了，剩下的就是去斑后的结果。 损失函数这边用的是欧氏距离加TV正则化这一对黄金组合。对于每一对图像X和Y来说，像素级的欧氏损失定义为它们的欧氏距离；因为欧氏损失容易产生阶梯状的伪影，所以还得加上总变异正则化（TV）损失来鼓励空间平滑度。最后总的损失就是把这两者线性组合在一起。 接下来看看实验部分。数据集是自己造的合成数据集：一共3665对图像，从UCID和BSD-500里选的原图随机加上乘性斑点生成的。每对图的尺寸都是256乘256，训练集、验证集和测试集按7比1比2来划分。在合成测试集上实验结果显示，ID-CNN的PSNR和SSIM值分别提升了大约3分贝和0.04；在真实SAR数据上的视觉效果也很明显——道路和建筑的轮廓变得更清晰了。 最后总结一下：ID-CNN用端到端的方式把深度学习带进了SAR去斑领域。通过除法残差层一次性搞定噪声估计和图像重建的工作。实验证明在合成和真实数据上都有明显提升，为以后处理多通道、多极化SAR数据打下了基础。等以后有了更大的数据集和更高清的数据支持，ID-CNN应该能进一步提高去斑的精度和泛化能力。