End-to-End Deep Learning Phase Unwrapping Method Based on Edge-Level Flow Classification

Jiankai Xu

doi:10.1109/lgrs.2026.3729970

End-to-End Deep Learning Phase Unwrapping Method Based on Edge-Level Flow Classification

2026-09-02

0

PRE

AI

DOI：10.1109/lgrs.2026.3729970

原文链接

原文求助

摘要

En 中文

二维相位解包裹是干涉合成孔径雷达和声纳处理的关键步骤。现有的两步深度学习方法通常依赖非可微分后端物理求解器，这中断了端到端优化，并在训练与推理之间引入了不匹配。本文提出CorrectionNet，一种基于边缘级流分类的端到端解包裹框架。将包裹相位重新表述为图像边界上的水平和垂直相位跃变预测，并引入连续期望松弛策略以替代硬离散解码。结合无参数离散余弦变换（DCT）泊松求解器，所提出的框架建立了从跃变估计到相位重建的全可微分路径。在模拟InSAR-DLPU测试集上，CorrectionNet实现了0.9861 rad的RMSE和0.7871的SSIM，在重建精度和结构保真度两方面均优于RPNet、FPUNet、PhaseNet 2.0和SNAPHU。对 $512\times 512$ 和 $1024\times 1024$ 重复轨道Sentinel-1干涉图的零样本测试进一步表明，在低相干性和去相关条件下具有良好的尺度迁移性和重包裹一致性。对于 $256 \times 256$ 输入，平均推理时间约为每幅图像13 ms，表明在精度与效率之间取得了良好的权衡。

Keyword:

Edge-level flow classification

end-to-end optimization

expected relaxation

phase unwrapping

End-to-End Deep Learning Phase Unwrapping Method Based on Edge-Level Flow Classification

摘要

期刊

机构

引用论文