yangqoor的博客

传统方法（如稀疏正则化）仅对目标施加约束，导致噪声放大和图像失真，且正则化参数需手动调整，影响重建质量。（Sparse Constraint），分别针对背景与目标进行建模，以抑制噪声并提升分辨率。传统正则化方法仅对目标施加稀疏约束（如L1范数），而忽略背景的低秩特性。（Parameter-Free Estimation Method），结合。本文方法（图2f）在背景平滑度与目标分辨率上均优于传统方法。，由回波数据与卷积矩阵自动确定。为核范数（矩阵奇异值之和），为天线方向图卷积矩阵，

研究目标：论文旨在提出一种基于电磁涡旋干涉测量（Electromagnetic Vortex Interferometry, EVI）的前视目标三维成像方法，通过轨道角动量（Orbital Angular Momentum, OAM）模式调制目标方位信息，解决传统干涉雷达（CEiR）中长基线依赖和图像配准复杂的问题。实际问题与产业意义：传统前视雷达三维成像需要长基线配置或虚拟阵列处理，导致系统复杂度高、成本大，且图像配准耗时。本文提出的方法通过涡旋电磁波的螺旋相位波前特性，直接将目标方位信息编码到回波相

公式描述公式1含误差的参考信号模型，量化了调制误差、传播路径误差的影响公式3成像方程，将系统误差建模为矩阵扰动EEE公式6基于数据集的辐射场等效测量模型，通过最小二乘求解S\tilde{S}S公式8ANN-EMRF网络映射关系，实现从回波到散射系数的端到端重建。

（Regularized Iterative Adaptive Approach, RIAA），克服传统波束形成（Beamforming）的低分辨率问题。，通过平台运动形成合成孔径，但仅使用单通道数据导致左右模糊。提供远区域高分辨但存在模糊。融合后互补优势，全局无模糊且分辨率均衡。图3. 点目标仿真结果：(d) 融合成像效果显著优于单一方法。通过多通道瞬时数据实现超分辨，采用。提供近区域高分辨且无模糊；

（Airborne Forward-Looking Radar Imaging）中。传统奇异值分解（SVD）方法需保留所有奇异值，但小奇异值会放大噪声（公式19）。（Sparse Bayesian Learning, SBL），提出了一种名为。（Low-Dimensional Projection Model）和。不同），导致每个距离单元需单独构建多普勒卷积矩阵。为Schur-Hadamard积），计算量巨大。，确保多普勒中心频率仅与方位角相关。传统SBL需计算高维矩阵逆（复杂度。），不适用于大规模数据。

和波束形成权重，实现方位-仰角联合估计。）和多普勒相位项，支持三维成像。论文的研究目标是解决。

论文旨在解决 单脉冲雷达前视成像中同一距离单元内多目标无法分辨 的问题。当多个目标处于同一分辨单元时，传统单脉冲测角技术只能获取等效散射中心的角度信息，导致成像模糊和定位误差。作者提出通过 极大似然估计 （Maximum Likelihood Estimation, MLE）结合 最小描述长度（Minimum Description Length, MDL）准则，实现对多目标到达角的精确估计，提升前视成像的方位分辨率。实际问题：产业意义：其中：似然函数推导：假设同一距离单元内有 NNN 个目标，观测向量

论文旨在解决 合成孔径雷达（SAR）在前视成像中的方位分辨率下降问题。当雷达波束与平台航迹重合时，SAR的方位分辨率会急剧下降，形成 “盲区”，限制了其在导航、精确制导等领域的应用。作者提出通过 多通道解卷积（Multi-Channel Deconvolution, MCD）技术，结合单脉冲雷达的和差波束特性，提升前视成像的方位分辨率，并控制信噪比（SNR）损失。实际问题：SAR在前视方向的分辨率受限，导致目标检测与识别能力下降。产业意义：前视高分辨率成像对无人机导航、导弹末制导等场景至关重要。传统实孔径

（Real Aperture Radar, RAR）在二维成像中分辨率受限于天线波束宽度的核心问题。在同等波束宽度处理的情况下，对目标区域回波信号的信噪比要求比一维解卷积波束锐化方法要低。（Difference Beam）的二维频域分布，同时降低对信噪比的要求，并实现二维分辨率的提升。“在信噪比为-30dB的情况下，一维解卷积波束锐化方法仍然不能分辨目标。对比需要迭代的RL算法，本方法通过单次频域计算完成锐化，运算复杂度从。通过同时利用方位维和俯仰维的频域信息，突破了传统一维方法的局限性。

论文的核心目标是解决实波束扫描雷达（Scanning Radar）在方位角分辨率提升中的计算效率问题。具体而言，传统稀疏重建方法（如q-SPICE算法）在处理高维度参数空间时面临计算复杂度高的挑战。作者提出一种宽频带字典框架（Wideband Dictionary Framework），通过分层网格优化（粗网格筛选+细网格细化）降低计算负担，同时保持稀疏重建的性能。扫描雷达在机场监视、港口监控等场景中广泛应用，但其方位角分辨率受限于天线方向图的低通特性。传统方法（如IAA、SLIM）虽能提升分辨率，但计算成

同时提升目标轮廓信息的保留能力。，通过结合稀疏约束（L1范数）和TV约束，在提升分辨率的同时保留目标轮廓。，将稀疏约束与TV约束结合，并通过。（SBA）高效求解。为处理非光滑项，引入辅助变量。因此，论文提出了一种。

与传统合成孔径雷达（SAR）不同，SWIMSAT通过低入射角（10°）的圆锥扫描波束设计，解决SAR因运动模糊和方向依赖性导致的波浪谱测量局限。在低入射角（10°）下，雷达后向散射由**准镜面反射（Quasispecular Reflection）**主导，其归一化雷达截面（（Real-Aperture Radar, RAR）的卫星系统（SWIMSAT），用于从太空测量。：需保证信噪比（SNR）≥8 dB（通过100 W发射功率实现）。为雷达足迹的方位向宽度，论文旨在提出一种基于。为雷达视向的波斜率。

论文旨在解决扫描雷达在方位向分辨率受限于天线波束宽度的核心问题，提出一种基于快速迭代自适应方法（Fast Iterative Adaptive Approach, FIAA）的逆滤波技术，以提升方位向分辨率并抑制噪声放大。扫描雷达在环境监测和地面测绘中广泛应用，但其方位向分辨率受制于物理天线尺寸和信号处理能力。传统超分辨率方法（如TSVD、Wiener滤波）存在计算复杂度高、噪声敏感等问题。论文提出的方法可显著提升实时处理能力，适用于机载前视雷达和地基监测系统，对遥感成像和灾害监测等领域具有重要价值。论文提

RSMAP通过瑞利分布更贴合海杂波统计特性，稀疏约束抑制虚假目标，在低SCR（Signal-to-Clutter Ratio）下仍保持稳定性。传统雷达技术（如合成孔径雷达SAR）无法实现前视成像，而扫描雷达的角分辨率受限于天线波束宽度。（Forward-Looking Radar, FLR）在海面目标成像中的。（Maximum A Posteriori, MAP）的。，显著提升海面低速/静态目标的角分辨率。（RSMAP）算法，通过结合海杂波的。

（Iterative Adaptive Approach, IAA）虽然能有效提高分辨率，但其计算复杂度较高，尤其是在二维雷达成像中。（Range-Recursive IAA, IAA-RR），通过利用相邻距离单元的相关性，加速迭代收敛并减少计算量。递归终止条件为子矩阵尺寸小于。

然而，其方位分辨率受限于天线波束宽度，尤其在复杂场景（如强噪声、稀疏目标）下，传统方法难以平衡分辨率和噪声抑制。问题：未解决测量矩阵不适定性，所有奇异值参与迭代，小奇异值导致噪声放大（见原文对比分析）。（Ill-posedness），导致解卷积过程中噪声被放大，成像质量显著下降。传统正则化方法（如L1、L2、TV）在低SNR条件下因天线测量矩阵的。，通过修复测量矩阵和引入稀疏约束，在低SNR下实现超分辨率成像。通过抑制小奇异值的噪声放大效应，提升了模型的稳定性。，提升稀疏目标的分辨率。

但复杂目标（如坦克、飞机、城市场景）的散射分布通常不满足这一假设，导致成像质量下降。：Tikhonov正则化、SBL（稀疏贝叶斯学习）、SBLDct（DCT变换）。为样本集（如MNIST、Shapenet、OpenSARUrban），，通过自适应学习目标的边缘特征和结构信息，提升复杂场景下的成像质量。传统方法（如压缩感知）假设目标散射系数满足。

（PML），通过改进噪声建模、引入联合惩罚项和加速迭代策略，提升算法的抗噪能力、抑制虚假目标，并增强迭代稳定性。（ill-posed nature），解对噪声敏感且易在迭代过程中因噪声放大而恶化。传统方法仅考虑回波幅度噪声（如高斯或泊松分布），忽略相位信息。中角分辨率不足的问题。为解决噪声放大与稀疏性矛盾，提出。针对目标函数非凸性，提出。

本文提出了一种基于波束更新q-SPICE的在线稀疏重建方法，旨在解决传统q-SPICE算法在扫描雷达应用中的高计算复杂度和存储成本问题。论文的核心贡献在于通过递归更新机制，实现了恒定计算复杂度和存储成本与数据量无关的实时处理能力，同时通过正则化处理增强了算法的鲁棒性。

受限于天线数量（k）、信噪比（SNR）和阵列几何结构。传统方法需通过矩阵运算（如协方差矩阵求逆）计算最优权重，计算复杂度高，难以实时应用。论文提出的简化公式可直接通过标量运算预测分辨率，显著降低计算成本。论文通过分析Griffiths-Jim结构的自适应波束形成器（图1b），推导出。

为解决传统牛顿法计算复杂度高的问题，提出基于GPU加速的。论文旨在解决传统雷达成像方法（如合成孔径雷达SAR）在。（Compressed Sensing, CS）和。包含子阵列的随机相位扰动，通过。

（Maximum A Posteriori, MAP）的迭代解卷积算法，通过正则化逆问题，实现在低信噪比（SNR）下的角超分辨率。），而传统方法（如多普勒波束锐化或合成孔径雷达）无法适用于前视成像场景（如机载雷达或固定地面雷达）。由于扫描雷达依赖真实孔径天线，其角分辨率受限于天线波束宽度（由于天线方向图的低通特性，高频分量被抑制，导致分辨率下降。该公式通过频域快速傅里叶变换（FFT）实现高效计算。目标为找到使后验概率最大的。论文将接收信号建模为。

校正距离迁移，再通过**反卷积（Deconvolution）**实现超分辨率成像。关键结论：校正后方位分辨率接近理论极限（由天线扫描速度决定），验证了方法的有效性。：消除距离迁移的斜率（与。相关）的空间变化性。

在实际应用中，孔径尺寸常受平台（如无人机、卫星）物理限制，导致分辨率不足。（即对检测后的信号进行反卷积）突破这一限制，实现。传统理论认为，角分辨率由衍射极限公式。是提升分辨率的关键，但传统逆滤波（通过逐步逼近，避免直接计算病态的。）因噪声放大和频带截断问题失效。为避免直接逆滤波，作者引入。作者将传感器输出建模为。

KA∥A∥⋅∥A−1∥8KA∥A∥⋅∥A−1∥8创新点首次建立旁瓣水平与条件数的直接关联：通过调整α\alphaα生成不同旁瓣水平的天线方向图，量化其对KHK(H)KH的影响。揭示旁瓣水平与算法性能的反直觉关系：实验表明，高旁瓣水平（低α\alphaα）反而降低条件数，提升算法稳定性。

（LiDAR） 的高分辨率点云，解决传统雷达在恶劣环境（如烟雾、灰尘）中分辨率不足的问题。：极坐标（range-azimuth）表示的 64×256 热图（图 3），与激光雷达的笛卡尔坐标系（512×256）形成对比。说明：传统 CFAR 阈值法（左）仅保留强反射点，而 RadarHD 输入（中）保留更多信息，输出（右）接近 LiDAR 点云。：雷达原始信号（I/Q 数据）包含噪声（如旁瓣伪影、镜面反射），而传统阈值方法（如 CFAR）会丢失弱反射信息。论文旨在通过机器学习方法，从单芯片。

GMM可灵活适应海面与海岸场景中的多种杂波分布（如瑞利分布与高斯分布混合）。多先验方法（f）在抑制杂波（红色圆圈为理想位置）和保留轮廓上表现最优。（Multi-Prior Bayesian Method），通过融合。（TV Prior），实现海面目标的高分辨率成像与轮廓恢复。（Laplace Prior）和。为稀疏性与TV正则项的权重矩阵。

传统方法如统计优化去卷积和正则化方法存在噪声敏感或计算复杂的问题，而现有神经网络方法（如SRN）仅实现图像增强，未针对性解决雷达角度超分辨率问题。（Forward-looking Scanning Radar）在自主着陆和精确制导中具有重要应用，但其。：MSRN在20dB SNR下PSNR提升0.06，SSIM提升0.02，尤其在低噪声场景优势显著。），提升前视扫描雷达的角度分辨率，解决实际应用中目标分辨不清的问题。：通过改进尺度循环网络（

（Truncated Singular Value Decomposition, TSVD）方法抑制解卷积过程中的噪声放大，提升雷达图像的角分辨率。说明：TSVD方法（图6c, 6f）在噪声环境下仍能分离目标，而传统方法（图6b, 6e）失效。为保留前k个奇异值的伪逆矩阵。最小化GCV函数以平衡解的分辨率和噪声抑制。，以处理有限观测域的边界问题。其中H为卷积矩阵，其结构为。

例如，快速处理大规模雷达回波数据可提升目标检测的时效性，这对战场态势感知和灾害应急响应具有重要价值。（ill-posed deconvolution）和计算复杂度高的矩阵求逆操作，难以实现实时处理。图3：不同方法在SNR=20dB下的成像结果，FSBA（i）与SBA（h）几乎无差异。通过快速傅里叶变换（FFT）实现矩阵-向量乘法的加速，复杂度从。（GS）表示，显著降低了计算复杂度。，通过利用Toeplitz矩阵的。，但其直接求逆的计算代价过高。是天线方向图构成的卷积矩阵，矩阵求逆操作的计算复杂度为。

（Super-Resolution, SR）图像重建。核心目标是恢复超出光学系统衍射极限的高频信息，解决传统线性复原方法（如维纳滤波）无法突破物理分辨率限制的问题。“对于整数α，PSF的过采样使得卷积操作中的子采样（如α=2时取隔行像素）和上采样（如像素复制）更易实现。（Maximum A-Posteriori, MAP）估计方法，用于实现。论文旨在提出一种基于。

但其角分辨率不足导致目标重叠（如图1d）。通过算法提升分辨率可显著降低硬件需求，提高成像质量，对。：本文方法在低信噪比下仍保持高SSIM（0.84 vs. R-L的0.80），且虚假目标更少（图7e vs. 图7d）。：本文方法显著分离目标（图12h），而传统方法存在边界噪声和重叠（图12b, d, f）。传统扫描雷达受限于天线物理尺寸和系统带宽，角分辨率远低于距离分辨率。，解决低信噪比下的角度超分辨问题。（MAP）的反卷积算法，通过融合。通过贝叶斯理论将反卷积转化为。为天线方向图卷积核，

例如，在灾害救援中，低分辨率可能导致无法区分密集分布的废墟或幸存者。通过提升方位分辨率，可显著增强雷达的成像质量，推动其在自动驾驶（前视雷达）、无人机侦察等领域的应用。由于天线物理尺寸的限制，实波束雷达的方位角分辨率较低，导致目标在方位维度上重叠严重（见图3(a)）。对数正态分布的**重尾特性（Heavy-tailed Property）**使其更易捕捉强散射目标，同时平滑性优于稀疏先验。（Lognormal Distribution）作为先验约束，从低分辨率的方位回波信号中恢复高分辨率目标散射系数分布。

（Forward-Looking Scanning Radar）在海洋表面复杂环境下角度分辨率低的问题。传统雷达前视区域存在成像盲区，而现有方法（如基于高斯或泊松分布的MAP方法）在处理非高斯海杂波时性能显著下降。（Lognormal Distribution）作为目标先验的贝叶斯反卷积方法，以提升角度超分辨率成像的鲁棒性和杂波抑制能力。（Rayleigh Distribution）描述海杂波统计特性，以及。图3：本文方法与高斯MAP对比（SNR=20 dB）图2：SNR=20 dB时不同方法对比。

雷达前视成像在机场异物检测、自动驾驶和地形测绘等场景中至关重要。然而，**真实孔径雷达（RAR）**的方位分辨率受物理天线孔径限制，导致成像模糊。传统方法（如Tikhonov正则化或总变差正则化）在平滑轮廓或保留锐利边缘方面存在局限性。该研究对提升雷达成像的实用性和可靠性具有重要意义，尤其在复杂场景（如混合平滑-锐利轮廓目标）中表现突出。，通过自适应调整两种正则化项的权重，实现对不同轮廓特征的适应性优化。动态调整两种正则化项的贡献。为卷积核（天线方向图），为增广拉格朗日参数。

信号模型yRθhRθ∗xRθnRθ（公式10）y(R, \theta) = h(R, \theta) * x(R, \theta) + n(R, \theta) \quad \text{（公式10）}yRθhRθ∗xRθnRθ（公式10yHxn（公式11）y = Hx + n \quad \text{（公式11）}yHxn（公式11优化问题xmin⁡x12∥Hx−y∥22μ∥x∥1。

l1​。

NPA模型通过截断有效通带（对应大奇异值），抑制噪声影响。传统解卷积方法在处理高维方位数据时面临。通过FFT转换到频域，并引入。

，导致远距离目标分辨率低。超分辨技术可突破这一限制，但传统方法需要存储全部回波数据并执行复杂矩阵运算，难以应用于实时场景（如机载雷达、快速扫描系统）。本文提出的在线DBR框架可实现。传统超分辨方法依赖批量数据处理，导致实时性差且硬件资源消耗高。分别表示导向矩阵的协方差和回波投影，通过逐样本递归更新降低存储需求。注：DBR框架通过距离向检测和方位向自适应更新实现实时处理。，降低硬件成本，推动RAR在。为天线方向图构成的导向矩阵，，显著降低计算与存储开销。包含目标和噪声的功率参数，

由于RAR的角分辨率受限于天线物理尺寸，其原始回波数据无法准确反映目标的真实尺度（如目标宽度或形状）。，在提升角分辨率的同时保持目标轮廓的陡峭性。，以减少手动选择正则化参数的数量。