多特征对齐与匹配网络：突破SAR与光学影像配准的模态差异瓶颈

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Multifeature Alignment and Matching Network for SAR and Optical Image Registration

　　本文针对合成孔径雷达(SAR)与光学影像间存在的非线性辐射差异和斑点噪声干扰导致配准精度低的问题，提出了一种多特征对齐与匹配网络(MFAM-RegNet)。该研究创新性地引入图拓扑结构提取边缘特征，设计线性对比学习(LCL)和二次对比学习(QCL)实现点特征与边缘特征的对齐，并采用动量对比学习(MCL)策略自适应修正噪声标签。实验结果表明，该方法在三个公开数据集上均优于现有先进算法，为多模态遥感影像精准配准提供了新解决方案。

　　

在遥感技术飞速发展的今天，合成孔径雷达(SAR)与光学影像的协同解译已成为地球观测领域的重要研究方向。SAR具备全天时、全天候成像能力，但受斑点噪声干扰严重；光学影像则纹理清晰、色彩丰富，却易受天气条件制约。二者优势互补，在军事侦察、地质监测、精准农业等领域展现出巨大应用潜力。然而，由于SAR与光学影像之间存在显著的非线性辐射差异，加之SAR图像固有的斑点噪声干扰，导致传统配准方法面临关键点重复率低、特征相似性弱、匹配成功率不高等三大挑战，严重制约了多模态遥感影像的深度融合与应用。

为解决这一难题，西安电子科技大学电子工程学院遥感图像处理与融合团队在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》上发表了最新研究成果。研究团队创新性地提出了多特征对齐与匹配网络(MFAM-RegNet)，通过挖掘模态共享的结构特征，显著提升了SAR与光学影像的配准精度。

该研究的核心技术突破体现在三个方面：首先，设计多特征对齐模块(MFAM)，采用图神经网络(GNN)提取点特征，并通过特征相似性构建边缘特征，结合线性对比学习(LCL)和二次对比学习(QCL)策略实现跨模态特征对齐。其次，针对SAR图像斑点噪声导致的标签噪声问题，开发多特征匹配模块(MFMM)，利用动量对比学习(MCL)策略自适应修正噪声标签，通过双向匹配提升匹配鲁棒性。此外，研究采用最大矩相位一致性(MMPC)检测器获取高重复率关键点，并利用最优传输(OT)理论替代传统最近邻(NN)匹配准则，进一步提高了匹配效率。

研究方法上，团队在三个公开数据集(OS dataset、SEN1-2、WHU-SEN-City)上进行了系统验证。通过构建包含点特征对齐和边缘特征对齐的多层次特征学习框架，利用图匹配思想将配准问题转化为二次分配问题，显著提升了特征表示的判别能力。

多特征对齐模块设计有效性验证

通过消融实验证实，同时考虑点特征和边缘特征对齐的MFAM-RegNet在三个数据集上均取得最高成功匹配率(SMR)和正确匹配点数(NCM)，最低的均方根误差(RMSE)。特别是在弱纹理区域，边缘特征的引入显著提升了匹配点的分布均匀性和稳定性。

动量对比学习的噪声鲁棒性分析

实验表明，当噪声标签比例逐渐增加时，采用MCL策略的MFAM-RegNet仍能保持较高的匹配精度(MP)。通过调节超参数α平衡手工标签与动量编码器特征相似性的权重(最优值α=0.6)，有效降低了噪声标签对模型训练的负面影响。

关键点检测与匹配策略比较

与传统耦合检测描述的方法相比，采用MMPC检测器的关键点重复率显著提升。同时，最优传输(OT)匹配准则的匹配率明显高于最近邻(NN)准则，证实了该策略在SAR与光学影像配准任务中的优越性。

跨数据集性能评估

在三个公开数据集上的对比实验表明，MFAM-RegNet在成功匹配率、正确匹配点数和配准精度方面均优于七种主流算法(包括RIFT、ASS、FED-HOPC等传统方法和ReDFeat、I²M-GAN&CL等深度学习方法)。特别是在大旋转、尺度变换等复杂场景下，该方法展现出了更强的适应性。

视觉结果分析

通过棋盘格拼接图和轮廓对齐图可视化验证，MFAM-RegNet在结构化区域和弱纹理区域均能实现精准对齐。如图13-18所示，该方法在建筑物、农田、河流等多种地物类型上均取得了优异的配准效果，显著降低了误匹配率。

本研究通过引入图拓扑结构和多特征对齐机制，有效解决了SAR与光学影像配准中的模态差异问题。MFAM-RegNet不仅提高了配准精度和鲁棒性，还为多模态遥感影像处理提供了新的技术思路。尽管该方法在初始匹配点对中仍存在部分异常值，但通过退化样本一致性(DEGENSAC)算法能够有效剔除错误匹配，为后续影像融合、变化检测等应用奠定坚实基础。未来工作中，研究团队将重点关注自适应异常值剔除算法的设计，进一步提升变换参数估计的准确性，推动多模态遥感影像解译技术向更高水平发展。