Seg-CycleGAN : SAR-to-optical image translation guided by a downstream task

光学遥感和合成孔径雷达（SAR）遥感对于地球观测至关重要，提供互补的能力。虽然光学传感器提供高质量的图像，但它们受到天气和光照条件的限制。相比之下，SAR传感器可以在恶劣条件下有效运行。本文提出了一种基于GAN的SAR到光学图像转换方法，名为Seg-CycleGAN，旨在通过利用预训练的语义分割模型的语义信息来提高船舶目标翻译的准确性。我们的方法利用了船舶目标语义分割的下游任务来指导图像转换网络的训练，提高了输出光学风格图像的质量。揭示了基于基础模型注释数据集在SAR到光学转换任务中的潜力。这项工作为下游任务指导的框架提供了更广泛的研究和应用。代码将在https://github.com/NPULHH/上提供。

本论文旨在提出一种基于GAN的SAR到光学图像转换方法，名为Seg-CycleGAN，以提高船舶目标翻译的准确性，并利用预训练的语义分割模型的语义信息。

论文中提出了一种利用预训练的语义分割模型来指导图像翻译网络训练的方法，从而改善输出光学风格图像的质量。

论文使用基础模型注释数据集揭示了SAR到光学翻译任务的潜力，提出了下游任务引导框架的广泛研究和应用。论文提供了开源代码，并使用实验数据集进行了实验设计。

最近的相关研究包括：1.《CycleGAN》；2.《StarGAN》；3.《DualGAN》；4.《SAR图像到光学图像的转换》；5.《基于条件生成对抗网络的SAR图像转换方法》等。