编辑推荐:
逆合成孔径雷达(ISAR)对机动目标成像时会出现高阶相位失焦。传统方法受限于运动模型失配,而现有深度成像方法依赖复值卷积或自注意力机制,计算复杂度过高阻碍实时处理。为此,研究人员提出方位-频率条件化Mamba U-Net(AFC-Mamba U-Net)用于I
逆合成孔径雷达(ISAR)对机动目标成像时会出现高阶相位失焦。传统方法受限于运动模型失配,而现有深度成像方法依赖复值卷积或自注意力机制,计算复杂度过高阻碍实时处理。为此,研究人员提出方位-频率条件化Mamba U-Net(AFC-Mamba U-Net)用于ISAR图像重聚焦。该方法将失焦复图像的实部和虚部作为双通道实值输入,结合线性复杂度状态空间建模与跨层特征融合,在保持高重聚焦质量的同时显著降低计算与内存开销。具体而言,研究人员设计方位-频率条件Mamba块(AFCMambaBlock),沿方位轴进行双向选择性状态空间扫描以线性时间复杂度捕获长距离失焦依赖,并引入方位-频率条件门控将频域相位误差信息嵌入空间特征;构建相位态瓶颈通过跨尺度态库聚合多尺度增强态,形成全局相位误差感知表示;提出状态引导跳跃连接机制,利用瓶颈态动态门控编码器跳跃特征,有效抑制失焦伪影传播并减少解码器冗余计算。在含八类星载目标的仿真数据集与真实Yak-42飞机数据上的实验表明,相较基于CNN的U-Net,所提方法MSE降低35.8%、NMSE降低41.5%,SSIM达0.9901;相较前沿复域网络CVPHD,在保持竞争结构性一致(SSIM>0.99)下,参数量与计算复杂度降低约两个数量级,推理速度提升超5倍,GPU显存占用减少约96%,为实时与嵌入式ISAR重聚焦提供轻量可行方案。
逆合成孔径雷达(ISAR)是高分辨运动目标成像的成熟技术,但非合作机动目标的时间变非均匀转动会引发距离单元徙动(MTRC)与高阶相位误差,导致方位向严重失焦。传统非参数方法(如短时傅里叶变换STFT、Wigner-Ville分布)受交叉项干扰且分辨率有限;参数方法(如多项式相位模型PPM)在运动模型失配时性能骤降且参数估计代价高。数据驱动的CNN与Transformer方法中,CNN受限于局部感受野难以建模长距离方位依赖,Transformer自注意力复杂度随token数平方增长,难以用于高分辨场景。状态空间模型(SSM)特别是Mamba以选择性扫描实现线性复杂度长序列建模,已在视觉任务中验证有效。研究人员将SSM引入ISAR重聚焦,提出方位-频率条件化Mamba U-Net(AFC-Mamba U-Net):以失焦复图像实/虚双通道实值输入,中间编码阶段嵌入AFCMambaBlock沿方位轴双向扫描捕获长距离失焦耦合,并以方位向一维FFT幅度谱生成软门控调制Mamba输出,将频域相位误差扩散特征嵌入空间建模;最深特征经相位态瓶颈(含频率增强OASM块、双向方位Mamba与跨尺度态库)聚合并隐式编码相位误差空间分布,得到全局相位态;解码端以状态引导跳跃连接(SGSC)用瓶颈态投影生成空间自适应门,抑制浅层失焦涂抹与旁瓣伪影、保留散射中心细节。损失函数联合幅度L1、对数幅度、梯度、双域FFT与局部散射对比五项加权监督。研究在八类星载点散射仿真集(Gaofen-3参数,每类200图,seed=42划分)与真实Yak-42机动段数据展开。仿真结果表明:AFC-Mamba U-Net平均MSE较CNN U-Net降35.8%、NMSE降41.5%,SSIM=0.9901;较CVPHD虽MSE/NMSE略逊,但参数量2.52M(降99.3%)、GFLOPs 6.65(降97.6%)、单样推理0.012s(提速>5×)、显存0.11GB(降96%),精度-效率折中最优。模块消融证实编码Mamba、跨尺度态库、SGSC依次贡献PSNR与SSIM增益,SGSC优于普通注意力门与纯编码门;损失消融显示梯度项与散射项对边缘与聚焦锐度最关键。真实Yak-42数据显示该方法在无需真值下熵由8.4620降至8.1624、对比度升27.9%、局部梯度离散度(LGD)最低(0.000084),ROI-2弱散射多峰结构较CNN U-Net过平滑更完整保留。结论指出:AFC-Mamba U-Net以线性复杂度状态空间建模替代全局注意力,在SSIM>0.99下实现约两数量级轻量化,为实时/嵌入式ISAR重聚焦提供可行路径;未来可探索复值状态空间模型与距离-方位联合自适应扫描。论文发表于《Sensors》。
关键技术方法:研究人员采用编码器-瓶颈-解码器U型结构,将ISAR复图像实虚部作双通道实值输入;编码第二、三阶段嵌AFCMambaBlock(深度分离卷积+沿方位向双向选择性状态空间扫描+方位FFT幅度谱条件门控),瓶颈处用FreqOASM块、双向方位Mamba与跨尺度态库融合多尺度Mamba增强态得全局相位态,解码跳跃连接以瓶颈态投影引导空间自适应门控抑制伪影;训练以幅度L1、对数幅度、梯度、双域FFT与散射对比五项是加权联合损失监督。样本来自八类星载点散射仿真集(NSS-7、KH-4、Tstar-1、FM5、KH-12、Insat-1、MS-19、CZ-1,Gaofen-3参数,每类200图固定seed=42切分)及真实Yak-42飞机机动段ISAR数据。
研究结果
2.1 ISAR回波信号建模:建立非合作目标转动下高阶相位误差表达式,指明平移补偿后剩余高阶项沿慢时间连续作用,引起方位向长距离耦合与随跨距坐标空变失焦。
2.2 设计动机与整体架构:依失焦长程耦合、空变、频散三特性确定沿方位建模+多尺度聚合+频域辅助路线,给出双通道实值输入、前三阶段编码(首阶LocalConv+OASM,二三相AFCMamba)、相位态瓶颈、SGSC解码、幅度头输出架构。
2.3 模块具体实现:AFCMambaBlock以局部卷积分支捕短程细节,双向方位Mamba捕长程依赖(线性复杂度O(N)),方位FFT幅度谱经1×1卷积与Sigmoid得软门控调制Mamba输出,残差融合出精炼特征与Mamba增强态;相位态瓶颈以FreqOASM做空频联合增强,双向方位Mamba扩上下文,跨尺度态库投影融合编码二阶与三阶Mamba态得全局态Sb,其能量随输入熵呈U型自适应;SGSC先Anti-Artifact块抑浅层伪影,瓶颈态投影后与编码、解码特征拼接生成Sigmoid门,加权纯化编码特征再与解码特征融合;损失函数五项加权λmag=1, λgrad=1, λlog=0.1, λdual=0.1, λscat=0.1。
3.1 实验数据集:仿真八类星载点散射集(128×128滑窗stride 64),真实Yak-42无真值仅做无参考指标与视觉评估。
3.2 实验设置与评价指标:RTX 4090、PyTorch2.3、通道32-64-128-192、Mamba态维16扩展2、Adam lr2e-4、batch4、120轮;指标含MSE、NMSE、PSNR、SSIM、熵、对比度、LGD及参数量/GFLOPs/推理时/显存。
3.3 仿真性能:AFC-Mamba U-Net平均MSE与NMSE较CNN U-Net降35.8%/41.5%,SSIM 0.9901;八类中NSS-7与CZ-1 SSIM>0.995,MS-19与Tstar-1因微动复杂仍逊CVPHD;效率上参2.52M、6.65G、0.012s、0.11GB,较CVPHD降约两个数量级、提速>5×、显存降96%。
3.4 消融与收敛:去瓶颈Mamba则PSNR降0.85dB;加编码三阶再二阶NMSE续降但PSNR回落,证过早全局化损高频;加跨尺度态库PSNR升但SSIM跌,证需SGSC补救;SGSC较普通注意力门/编码门在PSNR、SSIM、NMSE三者同优;损失中去梯度项PSNR跌0.67dB,去散射项NMSE反弹至0.0915;训练120轮余弦重启三次,PSNR饱和>43dB、SSIM稳于0.988–0.991,熵与对比度仅作描述不用于早停。
3.5 实测验证:Yak-42帧上AFC-Mamba熵8.1624、对比度206.08(+27.9%)、LGD 0.000084最低;ROI-2弱散射多峰保留优于CNN U-Net过平滑,CVPHD熵更低(6.4980)但弱散射局部缺失,所提方法在结构保真与轻量间占优。
讨论与结论翻译:论文结论指出,AFC-Mamba U-Net将状态空间模型引入编码-解码结构,缓解CNN感受野受限与Transformer高复杂度矛盾;AFCMambaBlock以线性复杂度捕方位长程失焦,相位态瓶颈聚多尺度全局相位感知,SGSC抑伪影传播。仿真八类星载与真实Yak-42实验显示较CNN U-Net重聚焦质量显著提升,CVPHD在仿真绝对 fidelity 更优,但所提法在SSIM>0.99下参数量与计算复杂度降约两数量级、推理提速超5×、显存降约96%,为实时与嵌入式ISAR重聚焦提供轻量可行解。未来工作:一探复值状态空间模型以直接复域运算提相位补偿精度;二设计距离-方位联合退化与非平稳机动的自适应状态扫描机制扩至极端成像条件。