PTIR-Net：方位多通道SAR系统中脉冲传输与稀疏重建的联合优化网络

本文针对方位多通道SAR系统存在的方位模糊问题及均匀脉冲传输模式难以兼顾方位分辨率与测绘带宽度的问题，提出了一种联合优化网络PTIR-Net。该网络通过同步学习非均匀脉冲传输序列和基于模型深度学习的重建网络参数，实现了高分辨率宽测绘带成像。实验基于高分三号数据验证表明，该方法在定量指标与视觉质量上均优于现有技术，为稀疏微波成像提供了创新解决方案。

随着合成孔径雷达（SAR）技术的不断发展，实现高分辨率与宽测绘带（HRWS）成像能力已成为对地观测领域的重要目标。方位多通道系统（Azimuth Multichannel System, AMCS）通过沿航向布置多个接收通道，为HRWS成像提供了可行方案。然而，传统AMCS通常采用均匀脉冲传输模式，其脉冲重复间隔（PRI）固定，导致方位分辨率与测绘带宽度之间存在固有矛盾——若要提高方位分辨率，需增加脉冲重复频率（PRF），但这会缩小可观测的测绘带宽度；反之，若要扩展测绘带，则需降低PRF，从而牺牲分辨率。此外，均匀采样还会引入方位模糊，降低图像质量。

非均匀脉冲传输模式被视为解决上述问题的潜在途径。其核心思想是打破均匀采样的限制，通过引入随机变化的脉冲间隔，将原本结构化的混叠干扰转化为非结构化的、噪声状的伪影，从而抑制方位模糊。然而，脉冲传输模式的设计与图像重建算法的设计在传统上常被视为两个独立问题，分别优化难以达到全局最优的成像性能。另一方面，基于迭代的稀疏微波成像方法虽能处理非均匀采样数据，但其性能受限于手工设计的参数和先验，对于复杂场景的特征提取能力不足。深度学习方法的兴起，特别是将稀疏SAR先验与数据驱动学习相结合的策略，为稀疏SAR成像提供了新的思路。

在此背景下，马子睿等人发表在《IEEE Geoscience and Remote Sensing Letters》上的论文“PTIR-Net: A Joint Optimization Network of Pulse Transmission and Sparse Reconstruction for Azimuth Multichannel SAR System”，提出了一种名为PTIR-Net的联合优化网络。该网络首次将非均匀脉冲传输模式的学习与基于隐式正则化的稀疏重建网络训练进行同步优化，旨在实现方位多通道SAR系统的高效HRWS成像。

为开展研究，作者主要采用了以下几项关键技术方法：首先，构建了可学习的非均匀脉冲传输序列模型，将脉冲间隔表示为最小间隔与可学习随机变量之和，确保了采样模式在满足系统约束下的灵活性。其次，基于啁啾缩放算法（CSA）开发了适用于非均匀采样的成像算子（G_{Ta, i}^NU(·)）和逆成像算子（I_Ta^NU(·)），其中引入了非均匀傅里叶变换矩阵（NF_Ta）及其逆矩阵（NIF_Ta）来处理连续定义的脉冲发射时间。第三，采用基于模型的深度学习（MoDL）框架，将重建问题构建为一个包含数据保真项和隐式正则化项的优化问题，并通过展开迭代算法构建深度网络（PTIR-Net），该网络包含数据一致性块（DC_Ta）和基于CNN的去噪块（D_Ψ），参数在迭代间共享以减少参数量。最后，利用从高分三号卫星不同场景获取的1300幅单视复（SLC）图像（尺寸512×512）构建数据集，对网络进行训练和测试，并采用归一化均方误差（NMSE）、峰值信噪比（PSNR）、结构相似性指数（SSIM）和图像熵（ENT）进行定量评估。

B. Results With Different Pulse Transmission Patterns

本研究比较了PTIR-Net学习到的最优传输模式与均匀模式、交错模式在不同PRF比率（100%， 50%， 25%）下的性能。视觉结果显示，对于离岸船只和城市区域场景，PTIR-Net产生的重建结果更清晰、更保真。定量分析表明，在低比率（如25%）时，均匀和交错模式的噪声和模糊效应显著加剧，而PTIR-Net模式的各项评价指标（NMSE, PSNR, SSIM, ENT）均保持最佳或接近最佳，且受比率变化影响小，证明了其优异的成像和噪声抑制能力。

C. Results With Different Reconstruction Methods

本研究进一步评估了PTIR-Net中联合优化和隐式正则化方案的作用。与多普勒谱重建算法（DSR）、ℓ₁正则化方法以及仅使用ℓ₁范数显式正则化的联合优化网络（PTER-Net）相比，PTIR-Net在三种PRF比率下均表现出显著优势。DSR和ℓ₁方法在处理非均匀采样引起的噪声和模糊时效果较差，尤其在低比率和场景稀疏性不成立（如城市区域）时性能下降明显。PTER-Net通过联合优化提升了性能，证明了联合优化能更好地利用非均匀传输模式的抗混叠特性，但其显式正则化在低比率下难以有效捕捉复杂场景特征。PTIR-Net采用的隐式正则化则能持续保持场景细节信息，受比率降低的影响极小，在定性和定量评估上均优于其他方法。

PTIR-Net的研究结论表明，通过联合优化脉冲传输模式与重建网络参数，并利用基于模型深度学习的隐式正则化，能够有效解决方位多通道SAR系统中高分辨率与宽测绘带成像之间的矛盾。该方法学习到的非均匀脉冲传输模式能够有效抑制方位模糊，而联合优化框架确保了传输模式与重建算法的协同作用，从而在低采样率下仍能获得高质量的重建图像。这项研究的重要意义在于为稀疏微波成像提供了一种全新的、高效的解决方案，突破了传统方法在复杂场景处理和系统设计优化方面的局限，对未来星载SAR系统的设计与成像处理具有重要的参考价值。其网络架构设计对数据量要求较低，也使其更易于在实际SAR数据处理中应用。