GAN在SAR图像仿真中的应用

1. Target Recognition of SAR Image Based on CN-GAN and CNN in Complex Environment

文章来源：
https://ieeexplore.ieee.org/abstract/document/9371694

abstract:

提出了一种基于约束朴素生成对抗网络（CN-GAN）和卷积神经网络（CNN）的SAR图像目标识别方法。结合最小二乘生成对抗网络 (LSGAN) 和图像到图像转换 (Pix2Pix)，CN-GAN 可以克服信杂噪比 (SCNR) 低、模型不稳定和图像自由度过大等问题传统GAN图像生成的问题。此外，我们在CNN中采用了浅层网络结构设计，可以有效提高模型的泛化能力，避免模型过拟合的问题。

主要解决的问题是SAR图像样本稀缺导致下游任务难以进行的难点。

So in this paper, the following contributions have been achieved:

1. Generate the high quality SAR images through CN-GAN;

2. Improve the SAR images SCNR through CN-GAN;

3. Use a shallow network CNN architecture to test the recognition rate of the enhanced images by CN-GAN;

实验采用的是MSTAR数据集。输入原始的SAR图像，可以通过CN-GAN网络生成新的SAR图像，扩充了样本。同时，可以对原先数据集中的图像通过生成网络进行加噪，从而达成了数据增强的目的。

2. Dialectical GAN for SAR Image Translation: From Sentinel-1 to TerraSAR-X

文章来源:
https://www.mdpi.com/2072-4292/10/10/1597/htm

abstract:

很少有人关注使用深度学习的不同SAR设备之间图像的转换。将低分辨率图像转换为高分辨率图像可能会引起遥感界的极大兴趣。首先，高分辨率图像，例如TerraSAR-X SAR图像，显示了更多细节，可以应用于创新的地球科学应用。其次，Sentinel-1图像的广域覆盖减少了多次采集的需求，从而降低了数据采集的成本。第三，研究人员访问开源哨兵-1图像比带电的TerraSAR-X图像容易得多。为了满足这些对高质量数据的要求，我们提出了一种基于对分层SAR信息和GAN框架的“辩证”结构的分析的“辩证GAN”（DiGAN）方法。用于验证的数据覆盖了城市地区，因此我们可以应用空间$Gram$矩阵来提取几何排列信息，并应用GAN框架来定义额外的信息。

3. A High-Quality Multicategory SAR Images Generation Method With Multiconstraint GAN for ATR

文章来源:
https://ieeexplore.ieee.org/abstract/document/9387399

abstract:
提出了多约束GAN（MCGAN）模型用于生成SAR图像。首先，编码器用于约束生成的图像的多样性和相似性。其次，使用预训练的分类器作为约束来控制生成的图像的类别。然后， 将WGAN-GP的损耗函数扩展到所提出的模型中， 以进一步约束生成的图像.通过上述过程，生成的图像的质量得到了显着提高。

4. Exploiting GAN-Based SAR to Optical Image Transcoding for Improved Classification via Deep Learning

文章来源：
https://ieeexplore.ieee.org/abstract/document/8438032

abstract:
学习将 SAR 图像转码为光学图像的代理任务迫使采用条件生成对抗网络 (GAN) 来区分不同的地表。然后可以使用这样的网络来构建一个自由参数显着减少的分类器，即使在非常少量的标记数据上进行训练时也能很好地泛化。我们在对齐的 Sentinel-1 和 Sentinel-2 图像对上训练这样的 GAN。然后，我们表明，当只有非常有限数量的标记像素可用于训练时，使用从转码中学习到的这些特征的预训练分类器优于从头开始训练的分类器。