IFNet: Deep Imaging and Focusing for Handheld SAR with Millimeter-wave Signals

要約

合成開口レーダー（SAR）の原理を携帯型に応用したミリ波（mmWave）ハンドヘルドイメージングは、最近の進歩によりその可能性が示されている。しかし、ハンドヘルドの運動誤差に対処する既存の研究は、高価な追跡装置に依存するか、単純化されたイメージングモデルを採用しており、実用的な展開や限定的な性能にとどまっている。本論文では、信号処理モデルとディープニューラルネットワークの長所を組み合わせ、ハンドヘルドmmWaveシステムのロバストなイメージングとフォーカシングを実現する、新しいディープアンフォールディングネットワークであるIFNetを紹介する。まず、ミリ波画像とハンドヘルドの位相誤差に関する複数の事前分布を統合することで、ハンドヘルドイメージングモデルを定式化する。さらに、最適化プロセスを反復ネットワーク構造に変換し、イメージング性能の向上と効率化を図る。広範な実験により、IFNetがハンドヘルドの位相誤差を効果的に補正し、ひどく歪んだ信号から忠実度の高い画像を復元することが実証された。既存の手法と比較して、IFNetは実世界のデータセットにおいて、平均ピーク信号対雑音比（PSNR）で少なくとも11.89dBの改善、平均構造類似性指標測定（SSIM）で64.91%の改善を達成することができる。

要約(オリジナル)

Recent advancements have showcased the potential of handheld millimeter-wave (mmWave) imaging, which applies synthetic aperture radar (SAR) principles in portable settings. However, existing studies addressing handheld motion errors either rely on costly tracking devices or employ simplified imaging models, leading to impractical deployment or limited performance. In this paper, we present IFNet, a novel deep unfolding network that combines the strengths of signal processing models and deep neural networks to achieve robust imaging and focusing for handheld mmWave systems. We first formulate the handheld imaging model by integrating multiple priors about mmWave images and handheld phase errors. Furthermore, we transform the optimization processes into an iterative network structure for improved and efficient imaging performance. Extensive experiments demonstrate that IFNet effectively compensates for handheld phase errors and recovers high-fidelity images from severely distorted signals. In comparison with existing methods, IFNet can achieve at least 11.89 dB improvement in average peak signal-to-noise ratio (PSNR) and 64.91% improvement in average structural similarity index measure (SSIM) on a real-world dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL