融合小波引导与结构增强的SAR图像扩散超分辨

doi:10.7527/S1000-6893.2025.32804

航天遥感图像智能处理与分析专刊

本期目录 | 过刊浏览 | 高级检索

前一篇 |

融合小波引导与结构增强的SAR图像扩散超分辨

王飞鸣, 李孟霖, 屈阳, 潘斌()

南开大学统计与数据科学学院，天津 300071

收稿日期:2025-09-19 修回日期:2025-11-06 接受日期:2025-11-28 出版日期:2025-12-17 发布日期:2025-12-15
通讯作者: 潘斌 E-mail:panbin@nankai.edu.cn
基金资助:
国家重点研发计划(2022YFA1003800);国家自然科学基金(62571273);天津市自然科学基金(25JCLMJC01090)

Diffusion super-resolution of SAR images integrating wavelet guidance and structural enhancement

Feiming WANG, Menglin LI, Yang QU, Bin PAN()

School of Statistics and Data Science，Nankai University，Tianjin 300071，China

Received:2025-09-19 Revised:2025-11-06 Accepted:2025-11-28 Online:2025-12-17 Published:2025-12-15
Contact: Bin PAN E-mail:panbin@nankai.edu.cn
Supported by:
National Key Research and Development Program of China(2022YFA1003800);National Natural Science Foundation of China(62571273);Natural Science Foundation of Tianjin(25JCLMJC01090)

摘要/Abstract

摘要：

受散射特性与成像几何影响，单极化SAR遥感图像存在相干斑噪声严重、图像退化显著等特性，导致SAR图像超分辨任务中更容易出现纹理丢失与结构失真。针对这一问题，提出了一种融合频域处理和结构感知的扩散模型超分辨方法。该方法以潜在扩散模型为骨架，引入了小波条件引导模块和方向感知增强模块以提高模型性能。小波条件引导模块通过小波分解和空间自适应归一化操作对高频子带进行多尺度调制，从而依据扩散时间步动态增强纹理表达与高频重建能力。方向感知增强模块集成多种自适应卷积核，以通道注意力方式嵌入编码器深层残差结构，增强压缩特征图对结构信息的敏感性。实验中，还建立了融合相干斑噪声和模糊核的真实退化模型，以贴近真实成像链路。实验表明该方法在多数据集上显著优于现有框架，相比最优方法指标平均改善8.12%，验证了该方法在SAR图像超分辨任务中的有效性与先进性。

关键词: SAR图像超分辨, 遥感, 扩散模型, 小波分解, 通道注意力

Abstract:

Influenced by scattering characteristics and imaging geometry， single-polarization SAR remote sensing images suffer from severe speckle noise and significant degradation， leading to texture loss and structural distortion in SAR image super-resolution tasks. To address this issue， this paper proposes a diffusion model-based super-resolution method that integrates frequency-domain processing and structural perception. The method adopts a latent diffusion model as its backbone and introduces a wavelet-guided module and a direction-aware enhancement module to improve performance. The wavelet-guided module performs multi-scale modulation of high-frequency sub-bands through wavelet decomposition and spatially adaptive normalization， thereby dynamically enhancing texture representation and high-frequency reconstruction capability according to the diffusion timestep. The direction-aware enhancement module incorporates multiple adaptive convolutional kernels， embedded with channel attention into the deep residual structures of the encoder to increase the sensitivity of compressed feature maps to structural information. In experiments， a realistic degradation model combining speckle noise and blur kernels is established to closely approximate the actual imaging pipeline. Results demonstrate that the proposed method significantly outperforms existing frameworks across multiple datasets， achieving an average improvement of 8.12% over the best baseline， verifying its effectiveness and advancement in SAR image super-resolution tasks.

Key words: SAR image super-resolution, remote sensing, diffusion models, wavelet decomposition, channel attention

中图分类号:

V211.3

王飞鸣, 李孟霖, 屈阳, 潘斌. 融合小波引导与结构增强的SAR图像扩散超分辨[J]. 航空学报, 2026, 47(10): 532804.

Feiming WANG, Menglin LI, Yang QU, Bin PAN. Diffusion super-resolution of SAR images integrating wavelet guidance and structural enhancement[J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(10): 532804.

图/表 11

图 1

图 2

图 3

图 4

图 5

表1

图 6

表2

表3

图 7

表4

参考文献 45

[1]	ZHENG X， CUI H， XU C， et al. Dual Teacher： A semi-supervised co-training framework for cross-domain ship detection［J］. IEEE Transactions on Geoscience and Remote Sensing， 2023， 61： 1-12.
[2]	连文慧. 模型驱动神经网络SAR成像特征重建［D］. 天津：中国民航大学， 2024.
	LIAN W H. Model-driven neural network for SAR imagery feature reconstruction［D］. Tianjin： Civil Aviation University of China， 2024 （in Chinese）.
[3]	XIE J， GAO F， ZHOU X， et al. Wavelet-based bi-dimensional aggregation network for SAR image change detection［J］. IEEE Geoscience and Remote Sensing Letters， 2024， 21： 1-5.
[4]	张冰玉，潘志刚，姚锴，等. 基于生成对抗网络的SAR解压缩图像重建算法［J］. 中国科学院大学学报（中英文）， 2025， 42（5）： 666-676.
	ZHANG B Y， PAN Z G， YAO K， et al. SAR decompression image reconstruction algorithm based on generative adversarial network［J］. Journal of University of Chinese Academy of Sciences， 2025， 42（5）： 666-676 （in Chinese）.
[5]	LI X， DING M， GU Y， et al. An end-to-end framework for joint denoising and classification of hyperspectral images［J］. IEEE Transactions on Neural Networks and Learning Systems， 2023， 34（7）： 3269-3283.
[6]	WANG L， ZHENG M， DU W， et al. Super-resolution SAR image reconstruction via generative adversarial network［C］∥12th International Symposium on Antennas， Propagation and EM Theory （ISAPE 2018）. Piscataway： IEEE Press， 2018： 1-4.
[7]	KANAKARAJ S， NAIR M S， KALADY S. Adaptive importance sampling unscented Kalman filter based SAR image super resolution［J］. Computers & Geosciences， 2019， 133： 104310.
[8]	刘涛，钱锋，张葆. 遥感图像的MAP超分辨重建［J］. 液晶与显示， 2018， 33（10）： 884-892.
	LIU T， QIAN F， ZHANG B. MAP super-resolution reconstruction of remote sensing image［J］. Chinese Journal of Liquid Crystals and Displays， 2018， 33（10）： 884-892 （in Chinese）.
[9]	杨磊，连文慧，陈思佳，等. 稀疏正则驱动的超分辨SAR图像重建［J］. 电讯技术， 2024， 64（9）：1361-1369.
	YANG L， LIAN W H， CHEN S J， et al. Super-resolution SAR image reconstruction based on sparse regularization driven mechanism［J］. Telecommunication Engineering， 2024， 64（9）： 1361-1369 （in Chinese）.
[10]	史振威，雷森. 图像超分辨重建算法综述［J］. 数据采集与处理， 2020， 35（1）： 1-20.
	SHI Z W， LEI S. Review of image super-resolution reconstruction［J］. Journal of Data Acquisition and Processing， 2020， 35（1）： 1-20 （in Chinese）.
[11]	LUO Z， YU J， LIU Z. The super-resolution reconstruction of SAR image based on the improved FSRCNN［J］. The Journal of Engineering， 2019， 2019（19）： 5975-5978.
[12]	罗宇轩，吴高昌，高明. 自适应卷积和轻量化Transformer的遥感图像超分辨网络［J］. 计算机工程与应用， 2025， 61（9）： 263-276.
	LUO Y X， WU G C， GAO M. Remote sensing image super-resolution network with adaptive convolution and lightweight transformer［J］. Computer Engineering and Applications， 2025， 61（9）： 263-276 （in Chinese）.
[13]	DONG W， XU Y， QU J， et al. Learning multi-modal cross-scale deformable transformer network for unregistered hyperspectral image super-resolution［C］∥Proceedings of the AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2024： 1573-1581.
[14]	李永军，陈锦智敏，李孟军，等. 基于生成对抗网络的图像超分辨重建算法研究［J］. 河南大学学报（自然科学版）， 2024， 54（4）： 436-442.
	LI Y J， CHEN J Z M， LI M J， et al. Research on super-resolution image reconstruction method based on generative adversarial networks［J］. Journal of Henan University （Natural Science）， 2024， 54（4）： 436-442 （in Chinese）.
[15]	刘艳芳，李春升，杨威. 基于深度学习的SAR图像质量提升方法研究［J］. 上海航天（中英文）， 2022， 39（3）： 91-99.
	LIU Y F， LI C S， YANG W. Research on SAR image quality improvement based on deep learning［J］. Aerospace Shanghai （Chinese & English）， 2022， 39（3）： 91-99 （in Chinese）.
[16]	HO J， JAIN A， ABBEEL P. Denoising diffusion probabilistic models［C］∥Proceedings of the 34th International Conference on Neural Information Processing Systems （NeurIPS 2020）. Red Hook： Curran Associates Inc.， 2020： 6840-6851.
[17]	郭龙飞. 基于扩散模型的图像超分辨率综述［J］. 电视技术， 2025， 49（7）： 222-225.
	GUO L F. An overview of image super-resolution based on diffusion model［J］. Video Engineering， 2025， 49（7）： 222-225 （in Chinese）.
[18]	SAHARIA C， HO J， CHAN W， et al. Image super-resolution via iterative refinement［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2023， 45（4）： 4713-4726.
[19]	LI H， YANG Y， CHANG M， et al. SRDiff： Single image super-resolution with diffusion probabilistic models［J］. Neurocomputing， 2022， 479： 47-59.
[20]	ROMBACH R， BLATTMANN A， LORENZ D， et al. High-resolution image synthesis with latent diffusion models［C］∥Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2022： 10684-10695.
[21]	XIAO Y， YUAN Q， JIANG K， et al. EDiffSR： An efficient diffusion probabilistic model for remote sensing image super-resolution［J］. IEEE Transactions on Geoscience and Remote Sensing， 2024， 62： 1-14.
[22]	邹承权，黄江成，孙正宝，等. 遥感图像超分辨率重建方法：综述与实验［J］. 遥感技术与应用， 2025， 40（4）： 969-989.
	ZOU C Q， HUANG J C， SUN Z B， et al. Super-resolution reconstruction methods for remote sensing images： A review and experiments［J］. Remote Sensing Technology and Application， 2025， 40（4）： 969-989 （in Chinese）.
[23]	CHEN Z， ZHANG S， XIONG B. Super-resolving SAR images with diffusion models： A dual evaluation of metrics and applications［C］∥2024 IEEE 17th International Conference on Signal Processing （ICSP）. Piscataway： IEEE Press， 2024： 340-346.
[24]	HUANG S， ZENG H， CHEN H， et al. Spatial and cluster structural prior-guided subspace clustering for hyperspectral image［J］. IEEE Transactions on Geoscience and Remote Sensing， 2024， 62： 1-15.
[25]	QIAN Y， CAI Q， PAN Y， et al. Boosting diffusion models with moving average sampling in frequency domain［C］∥2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2024： 8911-8920.
[26]	PENG L， CAO Y， PEI R J， et al. Efficient real-world image super-resolution via adaptive directional gradient convolution［DB/OL］. arXiv preprint： 2405.07023， 2024.
[27]	WANG J， YUE Z， ZHOU S， et al. Exploiting diffusion prior for real-world image super-resolution［J］. International Journal of Computer Vision， 2024， 132（12）： 5929-5949.
[28]	王晓曼，陈艳平，杨采薇，等. 多方向梯度特征提取的嵌套命名实体识别方法［J］. 计算机应用， 2025， 45（11）： 3547-3554.
	WANG X M， CHEN Y P， YANG C W， et al. Nested named entity recognition method for multi-directional gradient feature extraction［J］. Journal of Computer Applications， 2025， 45（11）： 3547-3554 （in Chinese）.
[29]	袁姮，霍欣燃，姜文涛. 全息梯度差分卷积的图像分类网络［J］. 自动化学报， 2025， 51（9）： 2106-2130.
	YUAN H， HUO X R， JIANG W T. Image classification network of holographic gradient differential convolution［J］. Acta Automatica Sinica， 2025， 51（9）： 2106-2130 （in Chinese）.
[30]	孙巍，王乾宙，陈雪凌，等. 真实场景下图像超分辨技术现状与趋势［J］. 中国图象图形学报， 2025， 30（6）： 1576-1592.
	SUN W， WANG Q Z， CHEN X L， et al. Development of real-world image super-resolution［J］. Journal of Image and Graphics， 2025， 30（6）： 1576-1592 （in Chinese）.
[31]	闫河，巫茜. 劣质SAR图像退化模型研究［J］. 计算机工程与设计， 2010， 31（24）： 5351-5354.
	YAN H， WU Q. Research on low-quality SAR image degradation model［J］. Computer Engineering and Design， 2010， 31（24）： 5351-5354 （in Chinese）.
[32]	SONG J， MENG C， ERMON S. Denoising diffusion implicit models［DB/OL］. arXiv preprint： 2010.02502， 2022.
[33]	REN B， MA S， HOU B， et al. A dual-stream high resolution network： Deep fusion of GF-2 and GF-3 data for land cover classification［J］. International Journal of Applied Earth Observation and Geoinformation， 2022， 112： 102896.
[34]	ICEYE. ICEYE synthetic aperture radar （SAR） sample data［EB/OL］. ［2025-07-15］. .
[35]	LI X， ZHANG G， CUI H， et al. MCANet： A joint semantic segmentation framework of optical and SAR images for land use classification［J］. International Journal of Applied Earth Observation and Geoinformation， 2022， 106： 102638.
[36]	LI Y， LI X， LI W， et al. SAR Det-100K： Towards open-source benchmark and tool kit for large-scale SAR object detection［C］∥The Thirty-eighth Annual Conference on Neural Information Processing Systems （NeurIPS）. Red Hook： Curran Associates Inc.， 2024.
[37]	吴樊，张红，王超，等. SARBuD 1.0：面向深度学习的GF-3精细模式SAR建筑数据集［J］. 遥感学报， 2022， 26（4）： 620-631.
	WU F， ZHANG H， WANG C， et al. SARBuD 1.0： A SAR building dataset based on GF-3 FSII imageries for built-up area extraction with deep learning method［J］. National Remote Sensing Bulletin， 2022， 26（4）： 620-631 （in Chinese）.
[38]	BLAU Y， MICHAELI T. The perception-distortion trade-off［C］∥2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE Press， 2018： 6228-6237.
[39]	ZHANG R， ISOLA P， EFROS A A， et al. The unreasonable effectiveness of deep features as a perceptual metric［C］∥2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE Press， 2018： 586-595.
[40]	HEUSEL M， RAMSAUER H， UNTERTHINER T， et al. GANs trained by a two time-scale update rule converge to a local Nash equilibrium［C］∥Advances in Neural Information Processing Systems. Red Hook： Curran Associates， Inc.， 2017： 6626-6637.
[41]	XU Z， FENG X， TIAN S， et al. Edge preserved low-rank SAR image despeckling via hierarchical prior knowledge regulation［J］. IEEE Transactions on Geoscience and Remote Sensing， 2023， 61： 5205317.
[42]	YANG J， WRIGHT J， HUANG T， et al. Image super-resolution as sparse representation of raw image patches ［C］∥2008 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE Press， 2008： 1-8.
[43]	WANG X， XIE L， DONG C， et al. Real-ESRGAN： Training real-world blind super-resolution with pure synthetic data［C］∥2021 IEEE/CVF International Conference on Computer Vision Workshops （ICCVW）. Piscataway： IEEE Press， 2021： 1905-1914.
[44]	LIM B， SON S， KIM H， et al. Enhanced deep residual networks for single image super-resolution［DB/OL］. arXiv preprint： 1707.02921， 2017.
[45]	LEPCHA D C， GOYAL B， DOGRA A， et al. Image super-resolution： A comprehensive review， recent trends， challenges and applications［J］. Information Fusion， 2023， 91： 230-260.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

数据集	指标	SCSR	Real-ESRGAN	EDSR	SwinIR	SR3	EDiffSR	LDM-SR	StableSR-Turbo	SharpSAR
SD	PSNR/dB↑	17.64	20.00	21.93	22.23	15.76	19.88	17.89	18.89	21.68
	SSIM↑	0.555 7	0.517 4	0.694 9	0.657 9	0.318 9	0.521 1	0.425 0	0.503 8	0.710 1
	LPIPS↓	0.369 3	0.376 1	0.258 4	0.326 8	0.652 9	0.338 5	0.455 5	0.424 4	0.241 8
	FID↓	637.46	138.12	143.57	144.10	262.74	59.08	140.39	94.67	52.26
	EPI→1	0.400 8	0.366 6	0.464 5	0.457 1	0.052 7	1.956 0	0.330 0	0.347 7	0.496 4
KOR	PSNR/dB↑	16.37	20.00	22.49	22.62	13.54	20.95	19.01	20.24	22.50
	SSIM↑	0.504 2	0.517 4	0.682 8	0.625 7	0.189 5	0.470 8	0.430 6	0.497 6	0.712 5
	LPIPS↓	0.450 1	0.376 1	0.269 6	0.367 3	0.888 4	0.399 3	0.404 6	0.381 1	0.260 6
	FID↓	746.26	138.12	148.00	155.27	329.30	94.78	142.18	116.58	61.69
	EPI→1	0.118 1	0.366 7	0.448 9	0.414 0	0.111 6	1.895 4	0.198 5	0.296 7	0.534 2

方法	PSNR/dB	SSIM	LPIPS	FID
基线	20.490 9	0.572 3	0.452 7	103.993 6
W	22.039 6	0.684 4	0.239 6	109.806 2
W+DAE	22.366 4	0.712 5	0.260 6	61.685 4

指标	SharpSAR	StableSR	Real-SharpSAR
PSNR/dB	18.724 6	18.767 3	18.902 2
SSIM	0.496 8	0.432 1	0.507 4
LPIPS↓	0.394 6	0.428 6	0.316 2
FID↓	98.342 1	137.019 0	80.783 5
EPI→1	0.441 2	0.215 0	0.611 6

指标	轻度（×2）	中度（×4）	重度（×8）
PSNR/dB	22.29	22.29	22.28
SSIM	0.712 6	0.712 5	0.712 1
LPIPS↓	0.260 2	0.260 6	0.261 1
FID↓	61.47	61.68	61.75
EPI→1	0.533 5	0.531 3	0.530 7

融合小波引导与结构增强的SAR图像扩散超分辨

Diffusion super-resolution of SAR images integrating wavelet guidance and structural enhancement

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 45

相关文章 15

编辑推荐

Metrics

本文评价

[1]	赵永康, 刘左龙, 冯霞. FTCA-Transformer：一种航班撤轮挡时刻预测方法[J]. 航空学报, 2026, 47(5): 332357-332357.
[2]	段韶华, 张淳杰, 刘传凯, 郑晓龙, 张济韬. 自回归与反馈驱动的自适应矩形卷积全色锐化网络[J]. 航空学报, 2026, 47(10): 532432-532432.
[3]	卢光宇, 陈博文, 陈科研, 邹征夏, 史振威. 基于混合专家模型的航天遥感图像目标检测[J]. 航空学报, 2026, 47(10): 532599-532599.
[4]	唐旭, 谷峰, 马晶晶, 张向荣. 基于视觉-语言预训练模型的高光谱-激光雷达联合分类方法[J]. 航空学报, 2026, 47(10): 139-158.
[5]	吴付杰, 王博文, 齐静雅, 曹铭智, 桑英俊, 李晟, 张玉珍, 陈钱, 左超. 机载多孔径全景图像合成技术研究进展[J]. 航空学报, 2025, 46(3): 630505-630505.
[6]	丛润民, 孙豪言, 罗宇轩, 方豪. 基于类关系挖掘的遥感图像广义小样本分割方法[J]. 航空学报, 2025, 46(23): 631694-631694.
[7]	范天麒, 邹征夏, 史振威. 基于强化学习数据合成的典型遥感目标检测[J]. 航空学报, 2025, 46(23): 631955-631955.
[8]	王飞, 刘勇, 姚嘉伟, 朱轩磊, 卢孝强, 郭文星, 张雪涛, 郭宇. RS-AdaDiff：基于降质感知自适应估计的单步遥感图像超分辨率扩散模型[J]. 航空学报, 2025, 46(23): 632763-632763.
[9]	孙彬, 游航, 李文博, 刘祥瑞, 马佳义. 双光载荷图像融合及其在低空遥感中的应用[J]. 航空学报, 2025, 46(11): 531343-531343.
[10]	孟凡腾, 秦勇, 崔京, 吴云鹏, 张紫城, 魏少伟. 铁路外部环境无人机图像未知风险检测方法[J]. 航空学报, 2025, 46(11): 531262-531262.
[11]	王景, 柳位, 谢海润, 张淼, 马涂亮. 扩散模型驱动的超临界翼型多目标生成式设计[J]. 航空学报, 2025, 46(10): 631210-631210.
[12]	张睿韬, 王聪, 陶俊, 王立悦, 孙刚. 基于潜在扩散模型的翼型参数化方法[J]. 航空学报, 2025, 46(10): 631180-631180.
[13]	薛有涛, 尧少波, 杨雨欣, 段毅, 赵文文, 李昊歌. 基于生成式模型的三维飞行器外形泛化表征方法[J]. 航空学报, 2025, 46(10): 631511-631511.
[14]	赵其昌, 吴一全, 苑玉彬. 光学遥感图像舰船目标检测与识别方法研究进展[J]. 航空学报, 2024, 45(8): 29025-029025.
[15]	樊云翔, 艾化楠, 王明振, 曹楷, 刘学军, 吕宏强. 基于深度学习的水上飞机非定常水载荷重构[J]. 航空学报, 2024, 45(20): 129882-129882.