通过嵌入名为可微合成孔径雷达渲染的电磁模拟器来实现智能体与环境的交互作用，模拟了人类类似的角度预测过程，并利用视角对应图像之间的时序和语义差异构建深度强化学习的状态空间，通过一系列奖励机制以保持方法的稳定性和收敛性，在航空领域中的实际数据集上进行的大量实验表明了提出方法的有效性和鲁棒性，且在跨领域应用中明显减小了模拟和真实领域之间的不一致性。

Jan, 2024

本文提出了一种基于合成孔径雷达（Synthetic Aperture Radar, SAR）图像的高分辨率模拟的表面微波渲染模型，通过光线追踪和快速映射投影技术实现了 SAR 成像，并构建了基于 SAR 图像的可微光线追踪引擎，通过学习表面散射参数，展示了在各种观测条件下 SAR 图像模拟性能的显著提升。

Jan, 2024

本文提出了一种新的可微分渲染框架，可以使用可微分函数直接渲染彩色网格，并能够从各种图像表示形式中向网格顶点及其属性反馈高效监督信号，并通过实验，证明提出的渲染器可以在三维无监督单视图重建方面实现显著改善，并能够处理基于图像的形状拟合等具有挑战性的任务。

Apr, 2019

本文提出了一种基于生成对抗网络和级联卷积神经网络的新方法，用于从合成孔径雷达图像生成高质量的可见光图像，实验表明该方法在去斑和图像上色方面比目前的深度学习方法表现更好。

Feb, 2018

本研究借鉴神经辐射场（NeRF）的概念，将 SAR 成像机制与神经网络相结合，提出了一种新的 SAR 图像生成模型 SAR-NeRF，它通过自动编码学习了体素的衰减系数和散射强度分布，并在少样本学习任务上实现了较高的分类精度。

Jul, 2023

通过研究大规模预训练图像生成模型在非可见光领域的应用，特别以合成孔径雷达（SAR）数据为案例研究，提出了一种 2 阶段低秩自适应方法（2LoRA）和改良版本原型 LoRA（pLoRA），以生成 SAR 数据并在 SAR 分类和分割模型的训练过程中取得显著的改进效果。

Nov, 2023

我们提出了一个以有监督学习为基础的合成孔径雷达图像 SAR 彩色化研究线路，包括生成合成彩色 SAR 图像的协议、几个基线模型以及基于条件生成对抗网络 (cGAN) 的 SAR 彩色化有效方法。我们还提出了问题的数值评估指标。据我们所知，这是首次尝试提出一个包括协议、基准测试和完整性能评估的 SAR 彩色化研究线路。我们广泛的测试表明，我们提出的基于 cGAN 的网络在 SAR 彩色化方面具有有效性。代码将公开发布。

Oct, 2023

本文提出了一种基于可解释数据转换的新范式，以生成 AI 方法的输入，提供知识反馈，从而从数据中学习或改进高复杂度未知或未形式化的模型，此方法被成功应用与合成孔径雷达数据的混合建模和图像理解。

Jan, 2023

本研究提出了一个 VHSR SAR 图片数据库，并且探讨了基于补丁的城市和城市周边区域分类。使用大型 CNN 分类模型和预训练网络来确定有效性，此外还运用生成对抗网络来生成数据测试数据对分类精度的影响。

Nov, 2017

提出一种能够支持显式和隐式表示，可在遮挡边界提供导数的 3D 表面的可微渲染方法，使用非可微光栅化对表面进行采样，然后应用可微的深度感知的点喷洒技术生成最终图像，适用于大型 3D 模型和隐式表面定义提取的等值面的应用。

Aug, 2021