基于深度学习的SAR与光学遥感图像配准技术综述

摘要

光学图像与合成孔径雷达(Synthetic Aperture Radar, SAR)图像的跨模态配准是遥感数据融合与解译的关键预处理技术，但其长期受两种模态非线性辐射差异的制约。为系统性梳理现有解决方案，对基于深度学习的配准方法进行归纳，摒弃传统的功能模块划分，提出更能反映其内在逻辑的技术范式分类。深入阐述基于模态统一、基于深度学习增强的模块化配准，以及基于端到端框架3种主流范式的核心原理。通过对比得出：模态统一致力于从根源上缓解辐射差异，模块化增强便于融合传统算子与深度学习优势，而端到端框架是提升配准精度与效率的关键发展方向。最后，总结当前方法在复杂场景鲁棒性、模型泛化能力与数据依赖性方面的共性挑战，并指明未来的主要研究趋势。

关键词

合成孔径雷达 / 光学遥感图像 / 深度学习 / 模态统一 / 模块化配准 / 端到端框架