技術的概要：状態空間モデルを用いた合成開口レーダのオンライン焦点合わせ学習

1. 問題定義

従来の合成開口レーダ（SAR）画像形成は、全合成開口をバッファリングしてから焦点を合わせた画像を生成するブロック処理パイプライン（例：レンジ・ドップラ法、バックプロジェクション）に依存しています。バッチ処理には効率的ですが、これらの手法は大きな遅延と高いメモリ使用量を招き、閉ループ型認知 SAR（CSAR）システムの実現を妨げています。CSAR の文脈では、レーダは観測環境からのフィードバックに基づいてパラメータ（ビーム steering、波形、PRF）を適応させる必要がありますが、従来の焦点合わせに内在する遅延は、データ取得中のリアルタイム意思決定を阻害します。既存の SAR 向け機械学習アプローチは、通常、完全なアレイまたはパッチに対してオフラインで動作し、ストリーミングおよび行ごとの推論の必要性に対応できていません。

2. 手法

著者らは、線形合成開口の仮定の下で SAR 画像形成をオンライン推論問題として再定式化する「オンライン SAR プロセッサ（OSP）」を提案します。

2.1 コアアーキテクチャ

OSP は SAR センシングをストリームとして扱い、取得中に焦点を合わせた画像出力を行ごと（レンジラインごと）に生成します。

• 状態空間モデル（SSM）: OSP の核心は、コンパクトで因果的な状態空間の代理モデルです。OSP は、完全なアジマス開口をバッファリングし高速フーリエ変換（FFT）を実行する代わりに、各レンジビンに対して固定サイズの再帰的隠れ状態を維持します。
• 再帰的定式化: パルス $k$ におけるレンジビン $r$ について、モデルは現在の複素サンプル $z_{k,r}$ とレンジ位置特徴 $p_r$ に基づき隠れ状態 $s_{k,r}$ を更新します。
  $$s_{k+1,r} = g_\theta(s_{k,r}, z_{k,r}, p_r)$$
  $$\hat{x}_{k,r} = h_\theta(s_{k+1,r})$$
  ここで、$g_\theta$ と $h_\theta$ はすべてのレンジビンで共有されるパラメータです。これにより、モデルは開口長に依存しないメモリ使用量で完全なラインを処理できます。
• モデルサイズ: 展開可能な学生モデルは極めてコンパクトで、隠れ次元 8 の 4 層の S4D レイヤーを使用し、学習可能なパラメータはわずか208 個です。

2.2 学習戦略：教師 - 学生蒸留

このような小規模なモデルを効果的に学習させるため、著者らは多段階の知識蒸留アプローチを採用します。

1. 教師最適化: 高容量の「教師」モデル（4 層、隠れ次元 512）を、専用の**アジマス焦点合わせ損失（$L_{AF}$）**を用いて学習させます。この損失は、点ごとの再構成と物理制約付き項を組み合わせます。
   • 複素データ忠実度（$L_{complex}$）。
   • 動的範囲を処理するための対数振幅再構成（$L_{log\ amp}$）。
   • 応答形状を一致させるための振幅相関（$L_{amp-corr}$）。
   • 希少な高強度散乱体に対するテール一致（$L_{tail}$）。
   • 構造的鮮明さとスペクトル内容を保持するための勾配、パワースペクトル密度（PSD）、焦点幅、およびエッジ項。
2. 学生蒸留: 小規模な学生モデルは、真の焦点合わせターゲットと、凍結された教師からのソフトな複素値応答の両方を再現するように学習されます。学生損失は、真値の $L_{AF}$ と、複素振幅、対数振幅、相関、および位相の不一致を罰する蒸留項 $D(\hat{z}_S, \hat{z}_T)$ を組み合わせたものです。

2.3 データセットと評価

この手法は、Sentinel-1 から派生したMaya4 データセットの300 GB の SAR データで評価されました。このデータセットには、生データ、レンジ圧縮済み、レンジセル移動補正（RCMC）済み、およびアジマス圧縮済みの製品が含まれています。評価では、OSP を標準的なバッチ処理 RDA および「ラインワイズ」RDA（ラインを順次処理するために履歴のウィンドウをバッファリングするもの）と比較しました。

3. 主要な貢献

1. 定式化: 因果的な状態空間再帰を用いて、SAR アジマス焦点合わせをオンライン推論問題として再定式化すること。
2. OSP フレームワーク: 固定メモリ使用量と完全開口バッファリングの不要な、行ごとの焦点合わせを可能にする初のオンライン SAR プロセッサの導入。
3. 損失関数: 複素忠実度、放射測定構造、およびスペクトル特性のバランスを取る物理制約付きアジマス焦点合わせ損失の定義。
4. 蒸留パイプライン: 多段階最適化された教師からの蒸留を通じて、微小なモデル（208 パラメータ）が高忠実度の焦点合わせを近似できることを実証すること。
5. 下流の概念実証: 低遅延意思決定支援に対する OSP 出力の有効性を検証すること。具体的には、CFAR に基づく船舶検出および洪水セグメンテーションです。

4. 結果

• 遅延: OSP は、ラインワイズデジタル信号処理（DSP）ベースラインと比較して、約70 倍低い遅延を達成します。単一の AMD CPU コアにおいて、OSP は 1 つのレンジラインを16 msで処理します。
• メモリ: この手法はメモリ使用量を130 倍削減し、1 ラインあたりの使用量は 780 MB のラインワイズ RDA や 16 GB のバッチ処理 RDA と比較してわずか6 MBです。
• 焦点合わせの品質:
  • 蒸留された学生モデルは、下流タスクを支援するのに十分な焦点合わせ品質を維持しています。
  • 定量的には、学生モデルは教師モデルに対してRMSE が 2.16% 増加し、振幅相関が 55.3% 減少しました。
  • 定性的には、学生モデルは粗い焦点合わせ配置と主要なシーン形態（例：農地、沿岸構造物）を回復しますが、教師モデルや従来の DSP と比較して、構造的忠実度が低く、ストリップ状のアーティファクトが強く現れます。
• 下流パフォーマンス: OSP 出力は、以下のタスクを成功裏に実現しました。
  • 船舶検出: ブラジルのサントス港において、ラインワイズ定数偽警報率（CFAR）検出器を使用。
  • 洪水マッピング: サンパウロ周辺の水域の固定閾値セグメンテーション。

5. 意義と主張

本論文は、アジマス焦点合わせ演算子の相当部分がコンパクトな因果的動的システムとして表現可能であると主張しています。これにより、遅延とメモリが劇的に削減され、潜在的な CSAR 応用における迅速なセンサー再タスクが可能になります。

著者らは、現在の技術の状況について謙虚に述べています。

• 範囲: 現在の定式化は、線形合成開口（ストリップマップ取得、広帯域幾何学、適度な角度範囲）を仮定しており、アジマスタスクを良好に条件付けるフロントエンド前処理に依存しています。これは、広角スクイント、スポットライト、または重度の運動歪みを伴う収集に対する、そのままの代替手段ではありません。
• 忠実度: 学生モデルは「粗い振幅ベースのアプリケーションには十分である」ものの、干渉測量など、正確な位相または較正された複素出力を必要とするタスクにはまだ信頼性が十分ではありません。
• 運用上の役割: OSP は、完全な開口が収集される前に下流モジュールが作動を開始できるようにし、より遅く高忠実度なオフライン手法がアーカイブ出力を生成する間、大規模な運用チェーン内の迅速なトリアージのためのコンポーネントとして提示されています。

この研究は、オンライン焦点合わせが単なる力強い関数近似問題ではなく、構造的に制約された演算子学習問題であることを示しており、そこでは生モデル容量よりも正則化と損失のバランスがより重要であることを実証しています。