近日，雷达院多源探测研究所李阳教授团队最新研究成果在遥感领域顶刊ISPRS P&RS（IF="12.7）上发表。该研究结合了近期备受瞩目的Sora、DALL-E 2等模型中的扩散模型，创新性地提出了全新的合成孔径雷达图像生成模型——“Ship-Go”。无需实际场景成像，只需一次模型运算，Ship-Go即可将你的小船置身于远海、近岸、近岛等多种多样的背景环境中，并生成一幅全新的SAR图像。Ship-Go不仅为目标提供了千变万化的背景，更能够扩充原始数据样本，显著提升目标检测模型的性能。

SAR图像目标检测是雷达探测领域的一项重要任务，其内涵为对图像中的雷达目标进行定位与识别。由于SAR图像数据的获取难度和人工标注成本高昂，限制了依赖于数据多样性的深度学习方法检测性能。传统的数据增强方法（如添加噪声、翻转等）虽然增加了样本的规模，但并未真正增加训练样本中的背景杂波多样性，从而无法有效提升检测器应对复杂背景中杂波干扰的能力。

图1 多条件扩散模型用于生成不同背景杂波类型下的多目标SAR图像

为解决这一问题，研究团队提出了一种多条件扩散模型，Ship-Go（如图1）。扩散模型是一种生成式深度学习模型，其核心思想为在训练阶段通过多次添加高斯噪声，将真实数据转换为标准正态分布的噪声。在生成阶段，通过学习加噪的逆过程，模型逐步去除噪声，还原出逼近原始数据的样本。为了同时提升生成图像中目标与背景杂波多样性，研究团队创新性地为扩散模型引入了两种条件变量：视觉实例变量和环境提示变量。通过这两个关键的条件变量对生成图像的分布进行约束。其中，视觉实例变量用于控制生成图像中目标的种类与位置，环境提示变量则控制生成图像中背景杂波的类型。这种多条件约束机制确保了生成图像在目标和背景方面的多样性，使Ship-Go能够生成具有多种类型背景的多目标SAR图像（如图2）。

图2 生成图像展示。单数列表示原数据集图像，双数列表示为原数据集中目标生成新的背景杂波图像。

在两个公开实测数据集SSDD与HRSID上的实验结果表明，利用生成图像训练检测模型，可显著增强检测器对复杂背景的适应能力，提升了多种深度检测模型的性能（如图3）。

图3 检测结果可视化。第一行为额外使用生成图像训练后的检测器，第二行为使用原数据集训练的检测器。红圈表示为虚警，绿圈表示漏警

该研究工作得到国家自然科学基金基础科学中心项目（62388102），中国博士后科学基金（2023M740267, 2023M730269）和山东省自然科学基金（ZR2021MF134）的支持。

文章链接：https://doi.org/10.1016/j.isprsjprs.2023.12.002