姓名：石鑫 学号：22021110238 学院：电子工程学院
【嵌牛导读】SAR图像生成方法研究进展
【嵌牛鼻子】 SAR图像生成方法研究进展
【嵌牛提问】SAR图像生成方法研究进展
【嵌牛正文】
2017, Letters, Synthetic Aperture Radar ImageSynthesis by Using Generative Adversarial Nets
基于计算机辅助绘图的SAR图像仿真在SAR应用中发挥重要作用。这种仿真的准确度基于电磁计算中的几何误差和简化。这篇letters中使用一种端到端的模型，直接从已知的图像数据库生成想要的图像。GAN模型训练是困难的，特别是SAR图像被噪声干扰。分析失败，提出杂波正则化方法。结果证明所提方法提高收敛速度，提高生成图像质量。
CAD模型图像仿真有两个缺点，第一SAR场景大，建模不现实；第二，目标非合作，电磁特性易变化。电磁近似只适用于大目标，对于小目标，计算方法的精确度下降。
2019, IGARSS, High resolution SAR image synthesis with hierarchical generative adversarial networks
创新点：分级结构、任意类型和角度、三种损失
分级结构，将生成任务分解为几个小任务。通过多阶段网络，逐步提高生成图像的质量。
生成图像的类型和方向由最后两个阶段的条件向量的输入。
背景损失、条件损失、全局损失
2019, IGARSS, SAR image representation learning with adversarial autoencoder networks
这篇论文聚焦于SAR自动目标识别模型的泛化能力。首先提出基于目标的相似性评估方法OBS，展示分类准确率与方向差异的关系。揭示了传统方法差的方向泛化能力，方向间隔大于10度。为了提高方向泛化能力，提出了对抗自编码网络AAN。它学习一个编码-图像-编码的循环网络。所提出的网络实现86%分类准确率，最小的朝向间隔为25度，比A-ConvNets高4%。
首先强调模型泛化能力的重要性，假设训练数据仅仅包含部分朝向角度，任意两个训练样本之间的朝向差异大于一个角度。再这样严格的设定下，只有一对多映射的网络能够工作。
通过给生成器添加标签和朝向条件，生成器能够生成任意类型目标在任意方位角，以一个监督方式。
2019, Letters, Synthetic Aperture Radar Image Generation With Deep Generative Models，2019
Wasserstein autoencoder的延伸。根据SAR图像的特性，对模型的网络结构和重组损失函数进行改进。生成的图像能直接被用来训练样本，因此拓展训练数据集并且提高识别准确率。
创新：
首次将应用基于WAE的模型到SAR图像生成。生成图像质量比其他的生成模型好。
改善了WAE的网络结构和重组损失。使用残差网络结构，根据SAR图像的统计特性，使用去噪重组损失。
网络结构：包含一个编码器、一个解码器、一个判别器。判别器区分真实数据得到的编码z和随机采样得到的虚假编码。
