AI任务相关解决方案14-Color-CAD: 基于色彩注意力条件扩散模型的SAR到可见光图像翻译以及代码实现

摘要

合成孔径雷达（SAR）图像由于其独特的成像机制，在全天候、全天时对地观测中具有不可替代的优势，但其固有的相干斑噪声和与人类视觉习惯相悖的成像原理，极大地限制了其可解释性。将SAR图像翻译为信息丰富、易于理解的可见光图像（S2OIT）是一项极具价值但充满挑战的任务。近年来，生成对抗网络（GANs）在该领域取得了一定进展，但常伴有训练不稳定、模式崩溃和伪影等问题。去噪扩散概率模型（Diffusion Models）作为一种新兴的生成模型，因其出色的生成质量和训练稳定性，展现出巨大潜力 。然而，现有的基于扩散模型的S2OIT方法在色彩保真度和细节纹理还原方面仍存在挑战，尤其容易产生色彩偏移和失真 。为解决这些问题，本文提出了一种新颖的 色彩注意力条件扩散模型（Color-aware Conditional Attention Diffusion Model, Color-CAD）。该模型的核心创新点在于设计了一个 色彩注意力模块（Color Attention Module） ，它能够从目标光学图像域中学习色彩分布先验，并通过跨注意力机制引导生成过程，有效纠正颜色偏差 。此外，我们还引入了 多级结构引导=机制，通过在U-Net解码器中深度融合SAR图像的多尺度特征，确保生成图像的结构和纹理与源SAR图像高度一致 。我们在公开数据集SEN1-2和QXS-SAROPT上进行了全面的实验。结果表明，与现有的S2OIT方法相比，Color-CAD在峰值信噪比（PSNR）、结构相似