【最新成果】一种基于元学习的稀疏孔径ISAR成像算法（视频）

原创夏靖远, 杨志雄雷达学报

点击蓝色“雷达学报”关注

背景介绍

现有信号、图像恢复问题的求解方法主要可以分为基于模型的方法和基于学习的方法，其中基于模型的方法往往具备显性的数学模型，对信号、图像有清晰的物理建模，且算法实现简单、高效，但算法有效性上一般不如基于学习的方法。然而基于学习的方法通常高度依赖训练数据，难以适配实际任务中高实时、高动态的现实应用需求。

针对上述问题，该文提出了一种基于学习辅助的高效、自适应图像恢复算法。该方法一方面从图像的退化过程出发，继承了图像的物理建模过程，保证了方法数学物理可解释性；另一方面，该方法通过在线对神经网络的参数和输入的更新辅助求解未知图像，避免了方法对训练数据和预训练过程的依赖性，并最终通过元学习的优化策略的引入，提高了方法跳出局部最优解的能力，保证了病态非凸条件下的算法收敛性能。最后，我们在稀疏孔径ISAR成像问题这一经典的图像恢复问题上进行了大量实验验证，实验结果表明：该文方法可以在不依赖训练数据、不进行预训练的情况下实现高效、自适应的稀疏孔径ISAR成像，并取得优于其他常规ISAR成像算法的性能。

团队工作

近年来，国防科技大学张双辉、夏靖远等对雷达成像、图像恢复等问题开展了深入研究。针对现有传统基于压缩感知的ISAR成像算法计算量较大，限制了它们在实时ISAR系统中的应用。提出了一种基于ADMM稀疏贝叶斯学习的高效稀疏孔径ISAR自聚焦、成像算法。针对现有传统压缩感知算法运算效率低、参数实用性不强等问题，提出了基于ADMM深度展开的ISAR成像算法和基于广义近似消息传递-结构耦合稀疏贝叶斯学习深度展开ISAR成像算法。针对现有基于学习的方法通常高度依赖训练数据，难以适配实际任务中高实时、高动态的现实应用需求。提出了基于学习辅助的在线、自适应稀疏孔径ISAR成像算法，避免了方法对训练数据和预训练过程的依赖性。

图片2.png

图1 相关研究成果

该工作已发表在《雷达学报》2023年第4期“国防科技大学建校70周年雷达技术专刊”的论文“一种基于元学习的稀疏孔径ISAR成像算法”（夏靖远，杨志雄，周治兴，廖淮璋，张双辉，付耀文）。

论文介绍

该文首先对基本的稀疏孔径ISAR成像问题进行了介绍，然后将现有的稀疏孔径ISAR成像算法分为两大类：基于模型的稀疏孔径ISAR成像算法和基于学习的稀疏孔径ISAR成像算法。然后针对每一类方法，对其基本原理、实现方式与条件、主要优缺点等方面进行了分析。然后以经典的基于模型的稀疏孔径ISAR成像算法——交替方向乘子法（Alternating Direction Method of Multipliers, ADMM）为例，介绍了稀疏孔径ISAR成像问题的一般求解方法。

图2 ISAR雷达观测模型

该文然后介绍了所提基于元学习的稀疏孔径ISAR成像算法。该算法主要由基于学习辅助的交替迭代求解和元学习优化两部分组成，首先介绍了基于学习辅助的交替迭代优化模块。然后在此模块的基础上，介绍了所引入元学习优化策略。最后介绍了本文算法的总体实现流程以及计算复杂度分析。

鍥_.png

图3 本文方法网络结构示意图

接下来该文在仿真数据和实测数据上进行了大量的对比实验和消融实验，在对比实验中，本文方法对比了基于模型的ISAR成像方法：距离-多普勒（Range-Doppler, RD）算法、正交匹配追踪（Orthogonal Matching Pursuit，OMP）算法和ADMM算法，以及基于学习的ISAR成像方法：基于复数展开网络的ADMM（Complexed-Unfolding ADMM, CU-ADMM）算法。ISAR图像质量评价指标采用峰值信噪比（Peak Signal-to-Noise Ratio, PSNR）、均方根误差（Root Mean Squared Error, RMSE）和图像熵3个数据指标。