《Frontiers in Earth Science》：GPR pipeline image denoising based on spatial attention and multi-scale feature perception
编辑推荐：
摘要：探地雷达(Ground Penetrating Radar, GPR)作为一种非接触式高分辨率电磁探测技术，在城市地下管线探测、地质灾害预警及地下工程安全评估中发挥着不可或缺的作用。然而，受复杂背景杂波、系统噪声及多源随机干扰影响，原始GPR图像中的弱回
摘要：探地雷达(Ground Penetrating Radar, GPR)作为一种非接触式高分辨率电磁探测技术，在城市地下管线探测、地质灾害预警及地下工程安全评估中发挥着不可或缺的作用。然而，受复杂背景杂波、系统噪声及多源随机干扰影响，原始GPR图像中的弱回波信号常被淹没，导致双曲同相轴(hyperbolic coherent events)难以识别。针对传统去噪算法及经典U-Net模型在低信噪比(Signal-to-Noise Ratio, SNR)环境下易丢失双曲同相轴结构特征的问题，研究人员提出了一种融合空洞空间金字塔池化(Atrous Spatial Pyramid Pooling, ASPP)与空间注意力门(Attention Gate, AG)的深度残差去噪网络——ARANet。该网络以深度残差块(Residual Block, ResBlock)为主干架构，利用ASPP模块的并行多尺度空洞卷积(atrous convolution)提取特征以增强对不同埋深管线双曲同相轴的感知能力；同时在解码阶段引入AG机制，利用深层语义特征引导空间权重重分配，从而有效抑制非目标区域背景噪声。实验结果表明，在含真实复杂噪声的数据集中，ARANet展现出优越的去噪性能与鲁棒性，峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)达36.58 dB，结构相似性(Structural Similarity Index, SSIM)达0.992，显著优于传统方法及经典U-Net模型。实测工程验证表明，该方法能从高干扰背景中准确恢复双曲同相轴，为城市地下管线智能识别与精细化探测提供高效稳健的技术支撑。
论文解读：基于空间注意力与多尺度特征感知的GPR管线剖面图像去噪网络(ARANet)研究
一、研究背景与意义
探地雷达(Ground Penetrating Radar, GPR)通过发射高频脉冲电磁波并利用接收天线采集反射波的波形、振幅及走时特征，实现地下异常体的几何反演与空间定位，因其无损、实时性强、分辨率高及成本低廉而被广泛用于城市道路检测、考古及地质灾害调查。然而在城市复杂环境中，原始GPR B-scan图像常受强背景杂波（如直达波、环形噪声(ringing noise)）及随机噪声（环境电磁干扰与仪器固有噪声）污染，致使弱双曲线反射同相轴(hyperbolic coherent event)被淹没，信噪比(Signal-to-Noise Ratio, SNR)严重降低，识别困难。
传统去噪方法包括空间滤波（Lee、Frost、Kuan滤波）、变换域法（傅里叶变换、小波变换(wavelet transform)、剪切波变换(shearlet transform)、曲波变换(curvelet transform)、BM3D(Block-Matching and 3D filtering)）及子空间法（PCA、SVD、低秩矩阵分解），均存在依赖人工调参、对非平稳噪声适应性差、易损失纹理或双曲结构的问题。现有基于卷积神经网络(Convolutional Neural Network, CNN)、卷积自编码器(Convolutional Autoencoder, CAE)及生成对抗网络(Generative Adversarial Network, GAN)的深度学习方法虽有所改善，但仍面临计算开销大或在低SNR下对双曲同相轴细粒度形态保真度不足的挑战。为此，研究人员提出融合空洞空间金字塔池化(Atrous Spatial Pyramid Pooling, ASPP)与空间注意力门(Attention Gate, AG)的深度残差去噪网络ARANet，并在《Frontiers in Earth Science》发表研究成果，旨在实现GPR图像的高保真去噪与双曲同相轴结构完整保留。
二、主要关键技术方法
研究人员采用FDTD(Finite-Difference Time-Domain)全波场数值模拟构建含金属、给排水、燃气及水泥四类随机组合地下管线的2700组纯净GPR剖面(128×256像素)，以实地采集无管线区域背景噪声建立实测噪声库，通过增益系数k将实测噪声叠加至纯净信号构建多SNR(1 dB~20 dB)训练集并辅以高斯白噪声动态增强。提出ARANet模型：编码器由四级下采样及残差块(ResBlock, 激活函数选用ELU以保留反射波极性信息)构成；瓶颈层采用ASPP模块(1×1卷积+三路3×3空洞卷积(dilation rate=1,2,3))提取多尺度特征；解码器通过转置卷积上采样并在跳跃连接中嵌入Attention Gate(AG)利用门控信号与编码器特征计算空间注意力系数以抑制背景噪声；输出层为1×1卷积+Sigmoid。损失函数为加权混合损失：Ltotal=0.4×LL1+0.4×LMSE+0.2×(1?LSSIM)。基于PyTorch框架，Adam优化器(lr=3×10?4)，批次16，训练100轮，数据集按2200/300/200划分训练/验证/测试集，以PSNR(Peak Signal-to-Noise Ratio)和SSIM(Structural Similarity Index)为定量评价指标，并与DWT(Discrete Wavelet Transform)、TV(Total Variation)及经典U-Net对比。
三、研究结果
2 Methodology（研究方法）
研究人员详细阐述了ARANet对称Encoder-Decoder架构：Encoder中ResBlock由两路"3×3卷积+Batch Normalization(BN)+ELU"组成并配1×1卷积捷径连接防止梯度消失；ASPP瓶颈层用小膨胀率(dilation=1,2,3)匹配GPR回波沿时间轴细微分布以避免过大感受野致形态失真，四分支特征拼接后经1×1卷积融合；Decoder每级先经2×2转置卷积上采样，AG模块接收解码器下层门控信号与编码器同层特征经1×1卷积与Sigmoid生成空间注意力系数重新加权编码器特征，强化双曲区域响应并抑制非目标噪声，再送入ResBlock细化。混合损失函数中LL1(Mean Absolute Error, MAE)保边缘，LMSE强抑背景噪声，LSSIM约束双曲同相轴结构连续性。数据预处理统一Resize至128×256像素并做Min-Max归一化至[0,1]，训练时动态叠加标准差[0,0.05]的高斯白噪声增强泛化性。
3 Experimental Design and Results Analysis（实验设计与结果分析）
3.1 Numerical Simulation Experiments and Dataset Construction（数值模拟实验与数据集构建）：研究人员设置2.5 m×1.3 m仿真区，建模四种典型管线(实心金属管、给水排水金属管(内含水气比20%~70%)、燃气管(内空气)、水泥管(内含水气比随机))，避开管线相交，采用FDTD法以600 MHz Ricker子波激发、网格步长0.01 m、收发距0.1 m、测点步长0.03 m，批量生成2700幅128×256纯净GPR图像作为基准数据集。
3.2 Data Augmentation Based on Field-Measured Noise Library（基于实测噪声库的增强）：从无管线城区道路实测剖面提取纯背景响应建噪声库，通过镜像拼接与随机裁剪抽取切片叠加至纯净信号(d=m+k·nreal)，按预设SNR(1/5/10/15/20 dB)自动计算增益k，使模型适应真实非平稳噪声环境。
3.3 Experimental Settings and Evaluation Metrics（实验设置与评价指）：硬件为i7-9700K+RTX 4060，ARANet百轮训练耗时约2.13 h；以PSNR(公式PSNR=10log10(MAXI2/MSE))与SSIM量化重建质量。
4 Experimental Results and Analysis（实验结果与分）
4.1 Performance Evaluation Experiments（性能评价实验）：在含实测噪声验证集上，DWT与TV造成双曲同相轴幅值衰减及结构损伤，U-Net存残留噪声；ARANet能清晰分离多管线重叠双曲同相轴且边缘保持佳。定量显示ARANet平均PSNR=36.58 dB（较U-Net 33.20 dB提升约3.38 dB，较DWT 22.65 dB及TV 23.28 dB提升超13 dB），SSIM=0.992（较U-Net 0.966提升2.7%），证明ASPP多尺度感受野与AG空间筛选有效保护双曲几何形态。
4.2 Robustness and Generalization Capability Testing（鲁棒性与泛化能力测试）：在额外叠加训练集未见高斯白噪声的极低SNR(?2/1/5/10 dB)下，DWT/TV失效，U-Net在?2 dB时双曲边缘模糊；ARANet在SNR=?2 dB时PSNR仍达27.5 dB（高于U-Net约1.1 dB）、SSIM=0.81（远高于DWT 0.32及TV 0.28），SNR=10 dB时PSNR=32.3 dB、SSIM=0.96，显示ResBlock恒等映射与SSIM损失项保障极弱信号骨架保留及拓扑一致性，具强泛化能力。
5 Field Data Experiment（实测数据实验）
采用Impulse CO1760仪器600 MHz天线采集城区地下公管7 m长B-scan剖面。原始图像浅部受路面层状水平杂波、深部受电磁及系统随机噪声严重污染，约5.6 m处地下管线双曲反射模糊。DWT过平滑致双曲边界几乎消失，TV在深部弱反射区残留噪声且同相轴不连续；U-Net仍有明显残余噪声；ARANet有效抑制深部(>90 ns)随机噪声并显著增强目标区反射增益，双曲形态清晰连续、边缘平滑，为后续自动拟合与精确定位提供高质量数据基础。
四、讨论与结论（翻译结论部分）
为解决GPR地下管线探测中弱双曲信号被强背景噪声淹没的问题，本研究提出并实现融合多尺度特征融合与空间注意力机制的深度残差去噪网络ARANet。该网络架构的科学性在于集成ASPP模块，利用并行多尺度空洞卷积显著增强对不同埋深管线同相轴几何形态的感知能力，并结合空间注意力门(Attention Gate, AG)机制实现自适应特征筛选，契合GPR信号分布物理逻辑以精确抑制非目标区域噪声。定量实验结果进一步验证了ARANet优越的性能与鲁棒性：其在验证集上平均峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)达36.58 dB，结构相似性(Structural Similarity Index, SSIM)达0.992，各项指标均显著优于传统去噪算法及经典U-Net模型。尤其在信噪比(Signal-to-Noise Ratio, SNR)=?2 dB极端条件下，模型通过残差块(ResBlock)的恒等映射路径有效保护了回波形态，展现出优异的相位保真度与泛化能力。实测数据验证结果凸显了该方法在实际工程中的普适性：ARANet可有效抑制实测数据中的水平杂波与深部随机噪声，显著改善双曲同相轴的边缘连续性与清晰度。综上，ARANet在大幅提升图像可解释性的同时，实现了双曲信号结构特征的高保真还原，为城市地下管线智能识别与精细化探测提供了高效、稳健且具自适应性的技术框架，具备广阔的工程应用前景。
