RIME-Net:用于减轻汽车雷达干扰和增强弱目标的物理引导的未配对学习框架
Jiajia Shi1, Haojie Zhou1, Liu Chu2,3
1School of Transportation and Civil Engineering, Nantong University, Nantong 226007, China.
Sensors (Basel, Switzerland)
|February 27, 2026
概括
新的深度学习框架RIME-Net有效地消除了雷达干扰,并增强了没有配对数据的弱目标. 这提高了信号噪声比 (SNR) 和在复杂环境中目标检测.
科学领域:
- 电气工程 电气工程
- 计算机科学 计算机科学
- 信号处理 信号处理
背景情况:
- 汽车毫米波雷达在距离多普勒 (RD) 地图中面临信号噪声比 (SNR) 降低,原因是相互干扰和噪声.
- 现有的深度学习方法在有限的配对训练数据和缺乏物理约束方面扎,导致目标光滑.
研究的目的:
- 提出RIME-Net,一个以物理为导向的无配对学习框架,用于共同减轻雷达干扰和增强弱目标.
- 在复杂的电磁环境中解决当前方法的局限性.
主要方法:
- 开发了干扰缓解网络 (IM-Net),使用循环一致的对抗架构,带有光谱一致性损失和身份映射约束,用于无监督的干扰抑制.
- 引入了具有突出意识的目标增强网络 (TE-Net),使用多尺度的剩余块和道空间注意力来恢复和增强弱目标特征.
主要成果:
- 与现有的监督和模型驱动方法相比,RIME-Net表现出更高的性能.
- 在信号与干扰加噪声比 (SINR),回忆和结构相似性方面观察到显著改善.
结论:
- 通过有效减轻干扰和增强弱目标,RIME-Net为可靠的雷达感知提供了强大的解决方案.
- 以物理为指导的无配对学习方法克服了对数据的需求,并保持了信号完整性.


