在军事侦察、环境监测等领域，合成孔径雷达(SAR)凭借其全天候、全天时成像能力成为不可或缺的技术手段。然而，SAR系统在运行过程中常遭受各类主动干扰的侵袭，例如通信设备或电子对抗系统发射的强电磁信号，这些干扰会严重压制真实目标回波，导致图像出现亮度异常、相位失真、动态范围压缩等问题，极大影响目标识别与地物分类等下游任务的精度。传统抗干扰方法多依赖于干扰信号的参数化模型或半参数假设，在实际复杂场景中泛化能力有限；而基于深度学习的方案虽能直接学习干扰去除映射，却受制于真实配对数据的稀缺与干扰模式的不可预测性。现有方法在应对多变干扰类型与强度时，往往表现不佳，亟需一种兼具强适应性与实用性的抗干扰新思路。
为此，清华大学电子工程系团队在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》发表论文，提出一种基于随机微分方程(SDE)扩散模型的SAR图像主动干扰抑制框架。该研究的创新性在于将扩散过程的正向终端状态设置为高干扰状态而非传统高斯噪声，通过构建伪配对训练样本，使模型能够学习从强干扰到弱干扰的逆变换过程，显著提升了对未知干扰模式的泛化能力。
研究采用了几项关键技术方法：首先，利用干扰的能量集中性与低秩特性，通过滑动窗口方差检测与特征值分解定位候选干扰区域，构建伪配对的低/高干扰状态图像；其次，设计了一种以时间条件U-Net为核心的噪声预测网络，融合空间自注意力与通道注意力机制，增强模型对多尺度干扰特征的捕获能力；最后，基于Ornstein-Uhlenbeck过程推导扩散模型的随机微分方程解析解，实现高效采样与稳定重建。实验数据包括模拟点目标响应与实测Sentinel-1单视复图像(SLC)，覆盖卷积调幅干扰(CAM)、卷积调相干扰(CPM)、随机频移干扰(RSFJ)、窄带噪声干扰(NBN)和线性调频失配干扰(CMJ)五种典型干扰类型，评估指标涵盖恢复信号干扰比(RSIR)、均方相位偏差(MSPD)和结构相似性(SSIM)。
实验结果分析
模拟实验验证 ：在聚类结构与薄边缘结构测试区域上，所提方法在RSIR=0 dB的干扰强度下，对五类干扰的平均RSIR提升约9 dB，MSPD降低0.46，SSIM提高0.23。尤其对于NBN与CMJ等简单干扰，RSIR改善超10 dB；即使对复杂的RSFJ干扰，仍能实现5 dB增益。干扰强度鲁棒性测试表明，在-30 dB至10 dB范围内，方法均能稳定保持性能。
实测数据验证 ：在Sentinel-1真实射频干扰(RFI)数据上，该方法将RSIR从-11.5 dB提升至-1.95 dB，SSIM从0.186提升至0.502，优于传统特征值分解(ED)、鲁棒主成分分析(RPCA)等对比方法，且显著超越基于纯高斯终端状态的扩散模型(self-DDPM)。
干扰特性讨论 ：通过点目标响应与特征值分布分析，发现CAM/CPM干扰具有明显低秩性（秩K≤5），而RSFJ/CMJ则不符合低秩假设，印证了联合使用能量区域选择与特征值分解策略的必要性。点目标指标显示，方法虽引起峰值旁瓣比(PSLR)与积分旁瓣比(ISLR)的轻微退化（约0.1–0.4 dB），但在干扰抑制效果与目标特征保留间取得良好平衡。
结论与意义
本研究通过创新性地将扩散模型终端状态与高干扰先验绑定，突破了传统方法依赖精确干扰模型的限制。所提训练策略仅需利用干扰的通用特性（能量集中性与低秩性），即可构建有效的伪配对数据集，解决了真实场景中配对样本稀缺的难题。实验证明，该方法在仿真与实测数据上均能自适应多种干扰类型与强度，显著提升图像质量，且对目标特征破坏性小，为SAR抗干扰处理提供了可推广的解决方案。未来工作将聚焦于加速扩散模型采样速度，并探索更复杂欺骗式干扰的应对机制。
打赏
