主要作者： Haoxuan Xu, Meiguo Gao
所属机构： 北京理工大学信息与电子学院
发表期刊： IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, Vol. 19, 2026
本研究聚焦于海洋雷达遥感中的目标检测问题，尤其关注海杂波（sea clutter）对检测性能的严重影响。海杂波源于海洋表面的复杂散射，具有非高斯（non-Gaussian）、非平稳（nonstationary）和多尺度（multiscale）的特性，极大降低了雷达距离-多普勒（Range–Doppler, R–D）图像的可读性。传统的海杂波抑制方法多为模型驱动，如奇异值分解（SVD）和协方差矩阵重建，它们依赖预定义的信号分布假设。然而，真实海洋环境中海杂波的复杂时变特性常导致模型失配，性能下降。因此，不依赖先验假设、能更好地适应真实场景的数据驱动方法成为迫切需求。
尽管深度学习技术已被引入海杂波抑制领域，现有方法仍存在局限。大多数网络仅在空间域（spatial domain）处理雷达图像，缺少对频率依赖（frequency-dependent）特征的多尺度建模，也未充分利用跨域信息。此外，它们往往忽视了对微弱目标响应的保护。为解决这些问题，本文旨在开发一种能端到端（end-to-end）地融合空间与频率域信息，既能有效抑制海杂波，又能稳定保留目标特征，从而提升下游目标检测性能的新型深度学习框架。
本研究提出了一个名为WCS-Net的小波引导空间-频率融合网络（Wavelet-guided Spatial–frequency fusion network）。该网络架构包含三个核心模块，并设计了一个面向检测任务的损失函数进行训练。
研究使用由海军航空大学发布的公开实测雷达数据（SDRDSP项目，2020和2022年发布）进行训练和评估。由于难以获取大量干净的和杂波污染的配对R–D图，研究团队通过将模拟的点目标回波叠加到实测海杂波上的方式来构建训练对。具体流程为：首先，从实测数据中随机提取320个连续脉冲的相干处理区间和320个距离单元窗口。然后，随机设定目标的距离和径向速度，生成线性调频（LFM）点目标匹配滤波响应。接着，根据指定的信杂比（Signal-to-Clutter Ratio, SCR）在复数R–D域求解目标幅度，并将复数目标R–D图与实测杂波R–D图相干叠加，形成网络输入。对应的纯目标R–D图作为参考真值。此方法能灵活控制目标参数，增加样本多样性。研究中构建了多个数据集，用于消融实验和与基线方法的对比实验，其中包含了不同海况（Sea State 2-5）和输入信杂比（-2 dB至5 dB）的样本。
WCS-Net的输入为杂波污染的R–D图，旨在输出杂波抑制后的R–D图。其架构由两个并行的特征提取分支和一个融合模块构成。
模块一：基于小波变换的频率信息提取模块（WT-FIEM） 该模块采用了一个基于Symlet-4离散小波变换（DWT）和逆小波变换（IDWT）的U形结构。其设计初衷是显式利用海杂波低频包络与目标相关高频响应在频率域的差异。它将特征图分解为LL（低频逼近）、LH（水平高频）、HL（垂直高频）和HH（对角高频）四个子带。为了自适应地增强与杂波、目标相关的鉴别性频率分量，模块引入了一种能量归一化子带注意力机制（energy-normalized subband attention）。该机制首先计算各子带的绝对能量描述符，并进行归一化，然后通过一个轻量级多层感知机生成注意力权重，对各子带特征进行重加权，从而提升目标-杂波在频率域的可分离性。
模块二：多尺度纹理特征提取模块（MTFEM） 该模块旨在捕获海杂波在空间域的多尺度变化。其核心是轻量级的局部多尺度R–D块，通过组合不同感受野的深度可分离卷积（depthwise-separable convolutions）来捕获杂波结构，包括紧凑型（3×3）、扩大型（5×5）、分解的大核（factorized 7×7）和空洞卷积（dilated）。为减少对稀疏目标峰的过度平滑风险，模块提出了一种置信度加权残差更新（confidence-weighted residual update）策略。该策略计算一个基于局部均值和对比度的置信度图，用以调制残差校正量，使其成为一个保守的特征估计器，有助于保留孤立的微弱目标。
模块三：空间–频率对齐表征模块（SFARM） 该模块负责自适应融合前两个分支的互补信息。它首先通过计算特征差异（|fwt - fmt|）和特征一致性（fwt ⊙ fmt）来构建跨域交互描述符。随后，联合估计一个局部特征门（local feature gate）和一个全局特征门（global feature gate），实现自适应空间-频率特征混合。在输出层，它采用了一种小波主导的置信度加权残差logit融合策略（wavelet-dominant confidence-weighted residual logit fusion）。该策略以小波分支的抑制logit为基础，空间-纹理分支只提供受置信度图调制、经tanh约束的残差校正，从而防止不可靠的空间域响应损害目标保护。最终的重建头结合了乘性掩膜抑制和基于softplus的非负残差补偿（nonnegative residual compensation），以在抑制杂波的同时，补偿被误抑制的微弱目标响应。
训练采用了一个复合损失函数，它结合了全局重建的均方误差（MSE）损失、目标邻域保存损失（target-neighborhood preservation loss）和高幅度背景尾抑制损失（high-amplitude background-tail suppression loss）。目标邻域保存损失对目标及其周围区域施加额外监督，防止网络将弱目标连同杂波一起抑制。背景尾抑制损失则专门惩罚背景区域中幅度最大的那部分残差（即“尾”部分），这些高幅度残差若不处理，在恒虚警率（CFAR）检测中最易导致虚警。
研究通过一系列详尽的消融实验和与基线方法的对比实验，验证了WCS-Net的优越性。
消融实验结果表明，WCS-Net的每个组件都起到了关键作用。仅使用WT-FIEM或MTFEM的变体性能均不如完整模型，证明了空间-频率域互补信息的必要性。用简单平均或串联融合替代SFARM会导致性能显著下降，验证了自适应融合和置信度加权的有效性。损失函数的消融显示，仅用MSE损失会增加虚警风险，而完整的尾平衡损失则能在目标保护和杂波抑制间取得最佳平衡，尤其在低信杂比下更具鲁棒性。对WT-FIEM内部结构的消融证实，多级小波分解、细节子带利用、能量归一化注意力以及Symlet-4小波基的选择都是最优设计的关键。
与基线方法的对比实验在多个不同海况和SCR条件下的数据集上进行。实验复现了多种先进的深度学习模型，包括通用图像恢复网络（如NAFNet, ConvIR, MAXIM-S1）和雷达信号处理网络（如UNetPP, TDAMRKNet）。结果显示，WCS-Net在所有测试场景下均获得了最佳的检测概率（Pd）。尽管部分基线模型在全局杂波能量抑制（GCSR）或局部对比度改善（ΔSCR）上表现更好，但这往往是以牺牲目标保留（TPR）或引发虚警为代价的。WCS-Net以1.2685M的参数量和13.3491 GFLOPs的计算量（针对320×320输入），在检测性能和计算复杂度之间实现了最优权衡。模型缩放分析还表明，增大基础通道宽度可以进一步提升性能，WCS-Net具有根据实际需求灵活调整规模的能力。
本研究成功设计了WCS-Net，一个用于面向检测的海杂波抑制的端到端框架。其科学价值在于，首次将小波变换提供的可解释频域信息与空间多尺度纹理信息通过置信度引导的融合方式整合到深度学习中，从理论和工程上验证了空间-频率协同设计的有效性。其应用价值在于，该网络在实测数据上展现出稳定的、超越现有方法的检测性能，且计算资源需求适中，为提升实际海洋雷达系统中弱小目标探测能力提供了高效且鲁棒的新途径。