机构名称：
¥ 1.0
合成孔径雷达（SAR）图像合成和模拟在传感器设计和辅助处理算法评估中具有不同的应用。传统上，这个领域依靠基于物理的模拟，使用车辆和场景的电磁建模。但是，深度神经网络技术的出现导致努力将这些方法应用于SAR图像的产生。早期网络体系结构主要利用会议网络和生成对抗网络（GAN）框架。这些网络（包括一代和歧视者）的规模受到限制，通常与小图像大小一起工作。它们通常是在成对的图像上操作的，例如光学和SAR图像或同一区域的不同频率SAR图像，旨在将一种图像类型转换为另一种图像类型，类似于样式的Transfer。这种方法需要从头开始培训，提出与模型深度和数据集大小相关的挑战。最近的研究引入了基础模型，由Meta的细分市场（SAM），Llama和Runway的稳定扩散所阐明。这些基于变压器的模型在大型开放数据集，数十亿个参数和出色的概括功能上进行了大量培训，尽管接受了互联网采购的数据培训。与以前的模型相比，基础模型提供了最小化的优势，利用其固有的功能。但是，它们需要强大的GPU，并在较小的数据集上进行仔细调整以防止过度插入。接下来，我们将讨论与我们的域相关的各种调整方法。我们详细介绍了我们的图像在本文中，我们介绍了使用Real Onera Sethi X Band Sar Images进行拟合的结果。我们从第2节开始，简要概述了该模型的体系结构，组件和Intial培训数据。
使用文本条件预训练的生成AI模型
主要关键词
相关文件推荐
