SAR Image Synthesis with Diffusion Models

近年来，扩散模型（DMs）已成为生成合成数据的流行方法。通过实现更高质量的样本，它们很快就超越了生成对抗网络（GANs）和当前生成建模的最先进方法。然而，在雷达领域，由于缺乏可用的训练数据，它们的潜力尚未得到利用，这是一个长期存在的问题。在这项工作中，一种特定类型的DMs，即去噪扩散概率模型（DDPM）被适应到SAR领域。我们研究了条件和非条件SAR图像生成的网络选择和特定扩散参数。在我们的实验中，我们展示了DDPM在SAR图像生成方面在质量和数量上优于基于GAN的最先进方法。最后，我们展示了DDPM受益于在大规模杂波数据上的预训练，生成了更高质量的SAR图像。

本论文旨在解决雷达图像生成中缺乏训练数据的问题，提出使用DDPM方法生成合成孔径雷达（SAR）图像，与GAN方法进行对比。

本论文使用DDPM方法生成SAR图像，利用大规模杂波数据进行预训练，相比当前GAN方法在SAR图像生成方面表现更好。

本论文使用DDPM方法生成SAR图像，包括有条件和无条件的生成。实验结果表明，DDPM方法在SAR图像生成方面表现更好。此外，作者还使用大规模杂波数据进行预训练，提高了生成图像的质量。

最近在雷达图像生成领域，还有一些相关的研究，如《A Generative Adversarial Network for Synthetic Aperture Radar Imagery》、《SAR Image Generation Using Deep Convolutional Generative Adversarial Networks with Noise Injection and Discriminative Features》等。