SAR 阶段历史数据的学习压缩：GOTCHA 的速率诚实可行性研究

arXiv:2609.35848v1 公告类型：新 摘要：合成孔径雷达 (SAR) 相位历史的机载压缩对带宽至关重要，而块自适应量化 (BAQ) 仍然是操作标准。我们测试了一个小型卷积自动编码器（其编码器位于传感器上）是否可以在 AFRL GOTTCHA 集合中的复杂相历史补丁上与 BAQ 竞争。每种方法都对所有传输的比特进行收费，速率以每个复杂样本的比特数 (b/cs) 为单位报告，并且通过 CA-CFAR 检测的一对一匹配对检测进行评分。自动编码器（28,656 个编码器参数）在每个速率下都会丢失。在 16 b/cs 时，它达到 -2.87 dB NMSE，而使用 $\pm 3\sigma$ 削波的 8 位 BAQ 则为 -35.5 dB，使用调整削波范围时为 -41.0 dB。它还输给了 $16 × 16$ 块 Karhunen-Lo\`eve 变换 (KLT)，这是一种本地线性编码器，其编码器成本仅为其十分之一 (-5.39 dB)。在压缩傅立叶域中运行网络会有所帮助，但其检测 F1 仍限制在 33%。证据表明了这个模型、它的标准化和它的目标，而不是学习编码的基本限制。每个补丁的数据具有适度的 lag-1 相干性 ($|\rho| \approx 0.3$) 和补丁特定的光谱浓度。有两个发现涉及评估本身。首先，原始 $64 × 64$ 补丁上 97% 的 CFAR 交叉是零填充检测器的边界伪影。其次，在内部单元上，BAQ 的限幅范围决定检测：8 位 BAQ 通过调整限幅保持 69% F1，但在 $\pm 3\sigma$ 处保持 17%，并且在 8 b/cs 或更少的情况下，自适应 FFT 阈值保留比 BAQ 更多的检测。我们以学习雷达压缩的评估协议结束。