摘要： 合成孔径雷达（Synthetic Aperture Radar, SAR）凭借全天候成像优势广泛应用于对地观测，但其成像机制固有的相干斑点噪声、强背景杂波干扰以及缺乏直观几何纹理的特性，导致复杂散射场景下的高精度语义分割面临巨大挑战。现有深度学习方法多依赖各向同性卷积，难以有效解耦频域噪声与空间结构，且传统多模态融合方案往往受限于对严格配准光学–SAR成对数据的依赖，限制了其适用性。为此，本文提出一种语义引导双域各向重构GAN框架（Semantic-Induced Dual-domain Anisotropic Reconstruction with Generative Adversarial Networks，SIDAR-GAN）。该方法突破了对严格配准数据的依赖，设计了基于生成对抗网络（Generative Adversarial Network, GAN）的跨域一致性学习机制。通过构建语义归纳GAN（Semantic Induction GAN, SI-GAN）与双域结构对齐（Dual-Domain Structural Alignment, DDSA）模块，从生成器编码层提取隐含的光学几何与纹理先验，并通过跨域注意力机制将其自适应注入SAR特征空间，实现了非配准条件下的高鲁棒性语义引导。进一步设计的频-空扰度解析模块（Frequency–Spatial Disturbance Parsing，FSDP），通过频域扰度解析分支利用小波多尺度分解实现噪声的频域隔离与自适应抑制，同时利用空间各向解析分支引入形状偏置卷积核，强化目标（如舰船、建筑）在惯性方向上的特征表达，从频空双域联合建模结构与噪声特性。在SARBuD建筑数据集与HRSID舰船数据集上的实验表明，该方法Dice系数分别达到77.66%与92.28%，与18种主流模型相比，显著提升了噪声抑制能力与边界提取精度，为弱纹理条件下的SAR精细化解译提供了新的跨模态语义驱动范式。代码可在https://github.com/X-WORK-SAR/SIDAR_GAN获得。

关键词: 合成孔径雷达, 图像分割, 生成对抗网络, 噪声抑制, 深度学习

中图分类号: 

• V248

• TP7

• P23