该研究由烟台大学计算机与控制工程学院的杜晓林副教授（通信作者）、来柯尧、于爽、石学宽，海军航空大学的陈小龙教授（通信作者），电子科技大学的崔国龙教授，西安电子科技大学的郑纪彬教授，以及烟台大学物理与电子信息学院的王金伟和赵大伟等研究人员共同完成。该论文已被IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing (IEEE JSTARS) 接收发表，并提供了完整的代码开源和Zenodo存档。
本研究属于雷达信号处理与深度学习交叉领域，具体聚焦于海洋目标检测中的海杂波（Sea Clutter）抑制问题。海杂波是由海面波浪起伏、风速、潮汐等多种因素引起的雷达回波干扰，其具有强功率、高频率和剧烈波动性等特征。在非平稳（Non-stationary）和非均匀（Heterogeneous）海况条件下，海杂波的时间-频率非平稳性、非高斯幅度统计特性和多尺度变异性会严重降低雷达图像质量，影响目标检测的准确性。
传统的海杂波抑制方法主要包括三类：一是动目标显示（Moving Target Indication, MTI）和脉冲多普勒处理（Pulse Doppler Processing），通过时域滤波器设计或多普勒变换提升信噪比，但仅适用于静止雷达平台；二是基于子空间（Subspace-based）的奇异值分解（SVD）或特征值分解（EVD）方法，其关键难点在于难以准确界定杂波子空间，尤其当目标与海杂波回波严重重叠时；三是空时自适应处理（Space-Time Adaptive Processing, STAP），通过联合处理空间和时间维度区分目标与杂波，但在海洋环境中因海面持续运动和长采样时间导致的统计特性不一致，其频谱近似的统计模型往往无法精确捕捉真实的空间多普勒分布。
近年来，基于深度学习的方法成为研究热点，其中生成对抗网络（Generative Adversarial Networks, GANs）通过生成器与判别器的对抗训练机制，相较于纯判别式架构，能够产生更真实且结构更忠实的杂波抑制图像。然而，由于海杂波的复杂特性导致时频域中目标与杂波响应的严重重叠，现有方法仍面临性能瓶颈。
因此，本研究旨在提出一种新的海杂波抑制方法，通过设计更复杂精细的网络架构，有效增强雷达图像中的目标信号，同时抑制复杂背景下的海杂波。
该研究提出了基于金字塔多尺度残差注意力生成对抗网络（Pyramid Multi-scale Residual Attention Generative Adversarial Network, PMS-RA GAN）的海杂波抑制方法。该网络框架由生成器（Generator）和判别器（Discriminator）两大核心模块组成，通过交替训练实现杂波抑制。
生成器架构的核心是PMS-RA模块，其集成了两个关键创新组件：
集成残差注意力机制（Integrated Residual Attention Mechanism, IRAM）：该模块综合了空间注意力模块（Spatial Attention Module, SAM）、坐标注意力模块（Coordinate Attention Module, CAM）和残差连接。SAM通过通道维度的平均池化和最大池化生成空间注意力图，自适应调整空间位置权重来增强目标区域显著性；CAM通过沿高度和宽度维度的全局平均池化引入位置信息，提升目标区域的定位精度。其关键创新在于残差连接的设计动机——在深度网络中，连续的非线性变换可能平滑甚至丢弃编码精细时频结构的低级细节，而海杂波背景下的目标常呈现为微弱条纹状结构，其结构完整性对后续检测至关重要。残差连接通过恒等映射保留原始特征信息，使注意力模块主要专注于抑制杂波相关响应和增强目标相关结构，而非构建全新映射。
多尺度金字塔自适应特征提取模块（Multi-scale Pyramid Adaptive Feature Extraction, MPA）：该模块首先对特征图进行两次下采样（因子2和4）获得不同分辨率表示，然后引入3×3、5×5和7×7三个卷积分支提供不同空间范围的局部感受野。其独特之处在于自适应学习者模块（Adaptive learner, AS）的分层自适应融合机制——AS1接收3×3和5×5分支输出并产生融合表示，AS2再将AS1的融合结果与7×7分支输出进一步整合，使不同分支的贡献依赖于输入而非固定。
判别器架构采用全卷积网络（Fully Convolutional Network, FCN），通过多个卷积层提取特征，结合正则化层和非线性激活函数增强对图像细节和背景杂波的区分能力，最终通过Sigmoid激活函数输出概率值。
为在图像质量和细节保留之间取得平衡，研究者提出了一种复合损失函数（Composite Loss Function），由三部分组成：对抗损失（Adversarial Loss）使生成图像更接近真实雷达图像；MAE损失（Mean Absolute Error Loss）保持生成图像与真实图像在像素级的一致性；感知损失（Perceptual Loss）基于预训练VGG-19网络提取的特征表示计算相似度。最终损失函数为L_total = α1·L_adv + α2·L_mae + α3·L_perceptual，通过调整权重系数优化整体性能。
研究使用了三个公开可获取的真实世界数据集：IPIX雷达数据集（由加拿大麦克马斯特大学采集的岸基全极化X波段雷达数据，具有高数据质量和清晰标注）、CSIR实验数据集（南非，具有场景多样性和同步高精度目标GPS轨迹）、以及海军航空大学发布的X波段海事雷达数据集（对应中国沿海真实海洋环境，包含2-4级海况）。为满足GAN模型的配对数据需求，研究者模拟了两种目标类型——匀加速目标（初始速度[-2,10] m/s，加速度[-5,5] m/s²）和微动目标（包含多种角速度和微动周期参数），共构建300对训练数据。雷达数据通过短时傅里叶变换（Short-Time Fourier Transform, STFT）处理为时频矩阵作为模型输入。
所有实验在配备Intel Xeon W-2255 CPU、64GB RAM和NVIDIA RTX A4000 GPU（16GB显存）的高性能计算系统上进行，使用PyTorch框架。优化器采用Adam（β1=0.5，β2=0.999），初始学习率0.0002，第50次迭代开始衰减，梯度惩罚权重为9，批量大小16，训练100次迭代。评估指标采用峰值信噪比（Peak Signal-to-Noise Ratio, PSNR）和结构相似性指数（Structural Similarity Index Measure, SSIM）。
在IPIX数据集匀加速目标的杂波抑制中，PMS-RA GAN在有效抑制海杂波的同时保持了更清晰的目标特征。CycleGAN处理后仍残留杂波，ADN（一种基于注意力增强的CNN方法）引入模糊伪影且未完全去除背景杂波，SCS-GAN虽获得相对干净背景但对目标边缘的清晰度不如所提方法，RadarDiff出现了显著信号衰减导致目标尾部消失。定量结果显示，PMS-RA GAN取得PSNR 33.68 dB和SSIM 0.99的最优性能，显著优于CycleGAN（31.20 dB, 0.96）和其他对比方法。
对于微动目标的抑制，CycleGAN在目标难以区分于杂波的情况下仍有残留杂波，ADN存在信号模糊和可视杂波伪影，RadarDiff因过度抑制导致目标后半部分完全消失，Pix2Pix和ResNet在抑制杂波时错误地将部分目标当成杂波处理。PMS-RA GAN在目标与杂波严重重叠的困难场景下展示了更优越的抑制性能。
在IPIX真实海杂波与目标数据的测试中，高海况下原始图像杂波强烈，部分杂波能量接近目标能量，经处理后杂波几乎完全被抑制，目标轮廓更清晰；低海况下背景杂波大幅衰减，目标更突出。
在CSIR真实测量数据上，CycleGAN产生大量残留杂波，ADN引入明显的目标下方模糊伪影，SCS-GAN在背景抑制方面相对良好但在目标边缘产生模糊，RadarDiff虽有效去除杂波但信号损失严重导致目标形状大部分消失，Pix2Pix和ResNet在抑制杂波的同时也几乎完全抑制了目标信息。PMS-RA GAN取得最高PSNR 26.73 dB和竞争性SSIM 0.96，验证了其在真实海杂波和目标数据上的重建保真度和感知质量。
PMS-RA GAN在2级（轻度）、3级（中度）和4级（粗糙）海况下分别进行评估。2级海况下海面相对平静，方法有效抑制杂波并清晰完整地保留目标；3级海况下随着波浪强度增加，方法持续减少杂波干扰并保持目标信息完整性；即使在4级海况杂波增强的情况下，方法仍展现出显著鲁棒性，成功保留关键目标结构。定量对比中，PMS-RA GAN取得最高SSIM 0.97和竞争性PSNR 24.97 dB。
通过比较不同损失函数在IPIX数据集上的效果，MAE损失虽有效抑制杂波但导致目标细节信息部分丢失，感知损失在目标细节保留方面更好但杂波抑制效果较差，对抗损失通过生成器-判别器互动有效减少杂波但可能造成目标细节模糊。复合损失函数（α1=0.3, α2=0.2, α3=0.5）在杂波抑制与细节保留之间取得最佳平衡，PSNR达到33.68 dB，SSIM为0.99。
在X波段数据集上对AS模块的注意力权重分布分析显示，2级海况下3×3分支中位数归一化权重约0.60，随着海况增至3级，3×3分支权重降至约0.35而5×5和7×7分支分别增至约0.41和0.25，4级海况下7×7分支权重增至约0.55。这表明学习到的融合权重随输入海况条件变化而非固定，验证了AS模块自适应组合不同局部感受野分支输出的设计意图。
通过将PMS-RA模块处理前后的特征图以jet颜色映射进行可视化，处理前的特征图在目标和杂波区域呈现广泛且弥散的能量分布，处理后能量沿目标条纹急剧集中而背景杂波激活被实质性抑制，提供了直接证据表明网络学习到物理上可解释的表征。
训练阶段仅使用300对时频图像在第35轮收敛，具有高计算效率；测试阶段处理100张图像需8秒，单张平均处理时间0.08秒，适合高实时性应用需求。
本研究提出的PMS-RA GAN方法在各种海洋环境下展现出卓越的海杂波抑制效果，显著增强目标信号清晰度并有效减少雷达图像中的海杂波干扰。其科学价值在于：提出了将集成残差注意力机制与多尺度金字塔自适应特征提取相结合的创新网络框架，解决了深度网络中目标精细时频结构易被平滑丢失的关键问题；通过设计复合损失函数，实现了图像整体质量与细节保留的有效平衡。其应用价值在于：在多个公认真实数据集上验证了方法的适应性和鲁棒性，特别是在高海况下仍能有效保留关键目标结构，为实际海洋监视雷达系统的目标检测性能提升提供了可靠解决方案。
本研究的突出贡献体现在四个方面：一是在方法框架层面，提出PMS-RA GAN作为海杂波抑制的新框架；二是在模块设计层面，通过IRAM的残差连接保留原始时频表征，使注意力组件专注于校正而非重构，有效保护了微弱目标的条纹状时频结构；三是MPA模块通过多分支局部感受野和分层自适应融合，从数据中学习而非固定组合多尺度信息；四是在损失函数层面，复合设计确保生成图像真实性和准确性。此外，该研究指出当前方法对配对数据的依赖限制了在极端或未见场景的泛化能力，并为未来工作指明了半监督或域适应学习策略的方向。