极化合成孔径雷达能够提供更丰富的地物后向散射信息，在目标检测、灾害评估、生态环境监测等方面发挥着至关重要的作用。然而，由于信号相干成像的机制，极化SAR影像存在固有的相干斑噪声，限制了其应用潜力。因此，对极化SAR影像进行相干斑噪声抑制至关重要。现有去相干斑方法可分为滤波方法、变分方法和深度学习方法。传统滤波方法的噪声模型假设相对简单，难以平衡相干斑抑制与边缘信息保持。非局部滤波方法则具有较高的计算复杂度且易出现过平滑现象。变分方法易在异质区域产生伪痕，处理效率相对较低。现有的深度学习范式中，多数方法使用光学影像模拟噪声构建“乘性噪声影像-干净影像”训练样本对。由于光学影像与SAR影像的成像机制不同，两者的数据特性和数据分布存在明显差异，在模拟数据集上训练的模型往往不能满足真实SAR影像的去噪需求。同时，现有数据集多为单极化SAR强度影像数据集，双极化或全极化SAR影像数据集较少。此外，现有深度学习方法往往直接将光学影像去噪网络移植到SAR影像去噪任务中，未针对SAR影像特性开发专门化网络，且对极化通道间的相关性和冗余性考虑不足。为此，本文采用长时间序列的双极化SAR影像，建立双极化SAR“噪声影像-时相均值标签影像”样本数据集。基于该数据集，构建基于信息流交换的去双极化SAR影像去相干斑网络（IFSDN），以生成高质量无噪声极化SAR影像。

图1. 真实数据集构建流程

图2. 总体框架

查看详细>> L. Lin, H. Shen, J. Li, J. Wu, S. Shi and Q. Yuan, “An Information Flow Switching-based Despeckling Network under Real Dual-Polarization SAR Conditions,” in IEEE Transactions on Geoscience and Remote Sensing, doi: 10.1109/TGRS.2025.3539840.