A U-Net Approach for InSAR Phase Unwrapping and Denoising
Notice bibliographique
Résumé
The interferometric synthetic aperture radar (InSAR) imaging technique computes relative distances or surface maps by measuring the absolute phase differences of returned radar signals. The measured phase difference is wrapped in a 2π cycle due to the wave nature of light. Hence, the proper multiple of 2π must be added back during restoration and this process is known as phase unwrapping. The noise and discontinuity present in the wrapped signals pose challenges for error-free unwrapping procedures. Separate denoising and unwrapping algorithms lead to the introduction of additional errors from excessive filtering and changes in the statistical nature of the signal. This can be avoided by joint unwrapping and denoising procedures. In recent years, research efforts have been made using deep-learning-based frameworks, which can learn the complex relationship between the wrapped phase, coherence, and amplitude images to perform better unwrapping than traditional signal processing methods. This research falls predominantly into segmentation- and regression-based unwrapping procedures. The regression-based methods have poor performance while segmentation-based frameworks, like the conventional U-Net, rely on a wrap count estimation strategy with very poor noise immunity. In this paper, we present a two-stage phase unwrapping deep neural network framework based on U-Net, which can jointly unwrap and denoise InSAR phase images. The experimental results demonstrate that our approach outperforms related work in the presence of phase noise and discontinuities with a root mean square error (RMSE) of an order of magnitude lower than the others. Our framework exhibits better noise immunity, with a low average RMSE of 0.11.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».