双重判别的SAR图像超分辨率重建

基于生成对抗网络的SAR图像超分辨率重建算法可以产生非常好的视觉效果。但是，现有的生成对抗网络在图像超分辨率重建的过程中仅判别生成的高分辨率图像，而忽略了低分辨率图像的作用。这不能保证生成的高分辨率图像可以被准确地降采样到最初的低分辨率图像。为了有效利用高分辨率图像和低分辨率图像，提出了双重判别的SAR图像超分辨率重建算法。双重判别在对高分辨率图像进行判别的基础上增加对低分辨率图像的判别，这使生成的高分辨率图像可以被准确地降采样到原始的低分辨率图像。而且，生成器网络在残差密集网络的基础上，融合了不同层次的变换特征，提高了参数利用率。提出的双重判别算法已成功应用于SAR图像，并且在视觉效果和客观评估指标方面都优于最新的深度学习算法。

合成孔径雷达(Synthetic Aperture Radar, SAR)图像具有极强的抗干扰特性，在航空航天工程、地质勘探、测绘和军事侦察中发挥着关键作用。

为了确保SAR 图像在图像分类和目标识别方面具有良好的性能， 可以提高现有SAR 图像的分辨率。但是，许多高分辨率图像是从低分辨率图像中重建出来的，很难区分生成的哪一张高分辨率图像效果更好，这对图像超分辨率来说是一个挑战。

现有的超分辨率生成对抗网络，例如SRGAN [1]、ESRGAN [2]和A-SRGAN [3]，仅判别高频特征空间，而忽略低频特征空间的作用。在图像超分辨率重建过程中，生成的高分辨率图像不能保证准确地降采样到最初的低分辨率图像。如果重建的高分辨率图像更接近真实的高分辨率图像，则对生成的高分辨率图像进行降采样后得到的低分辨率图像也更接近真实的低分辨率图像。为了充分利用高分辨率图像和低分辨率图像的信息以获得具有更好视觉效果的高频纹理细节， 提出了双重判别的SAR 图像超分辨率重建算法。首先，双重判别通过利用高分辨率图像和低分辨率图像之间的相关性，同时判别两种不同分辨率的图像， 这使得生成的高分辨率图像更加逼真。

其次， 考虑到在最近的超分辨率工作中残差密集块RDB [4]和多层特征融合的优越性能，将这两种技术引入到了双重判别的生成器中，提出了能够融合多层变换特征的生成器网络，有效地提高了参数的利用率。

2. 相关工作 大多数研究工作已致力于图像超分辨率重建的研究。最初，使用插值方法生成高分辨率图像，例如最近邻插值、双线性插值和双三次插值。尽管插值方法简单、方便、易于实现，但是它们容易产生模糊的纹理。后来提出了模型统计的方法，学习从低分辨率图像到高分辨率图像的映射，典型方法包括基于示例的方法[5]、自相似性方法[6]、字典对方法[7]和卷积稀疏编码方法[8]。随着卷积神经网络