.png){kind=icon}
返回
SARLCNet: supervised generative adversarial SAR layover compensation framework
.png){kind=icon}
PRE
AI
DOI：10.1080/20964471.2025.2560755.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
考虑到SAR正射影像中的悬垂现象，现有的悬垂补偿（LC）方法存在数据不足和悬垂区域检测困难的缺点。本研究提出了一种基于领域自适应的监督式SAR LC方法。考虑到多视角SAR图像数据的缺乏以及悬垂区域精确检测的难度，提出了一种高精度SAR悬垂提取方法，并构建了SAR LC数据集（SAR-LCD）。此外，采用监督式生成对抗网络构建了SARLCNet，用于将光学数据转换为模拟SAR图像。在该方法中，光学内容和SAR风格被耦合，并将SAR掩码监督信息加入框架中，有效提升了SAR图像LC性能。基于SAR-LCD的实验结果表明，所提出的方法能够实现高效准确的SAR LC任务。在单幅和区域SAR图像上的广泛实验显示，SARLCNet在保持与原始SAR图像的结构相似性和良好的辐射一致性的同时，实现了100%的补偿率，验证了本方法的有效性。SARLCNet方法可被视为一种可靠的SAR悬垂补偿方式。
Keyword:
Generative adversarial network
SAR images
SAR LC
compensation rate
期刊
B
IF:
3.8
论文数:
106
被引数:
0
机构
引用论文
.png){kind=icon}
Remote Sensing Image Translation via Style-Based Recalibration Module and Improved Style Discriminator基于风格重新校准模块和改进风格鉴别器的遥感图像翻译
OAAI
OAAI分享收藏
Unpaired Image-to-Image Translation Using Cycle-Consistent Adversarial Networks使用循环一致的对抗网络进行不成对的图像到图像的翻译OAAI
OAAI分享收藏
查看更多内容