Enhancing Forward-Looking Image Resolution: Combining Low-Rank and Sparsity Priors论文阅读

1. 论文的研究目标与实际问题意义

1.1 研究目标

论文旨在解决前视雷达成像（Forward-Looking Imaging）在强噪声环境下分辨率不足的问题。传统压缩感知（Compressed Sensing, CS）方法依赖目标在空间中的稀疏性（Sparsity），但在低信噪比（SNR）下性能显著下降。为此，作者提出结合低秩先验（Low-Rank Prior）与稀疏先验的联合约束模型（FLI-CLRS），通过多通道阵列雷达数据，提升方位分辨率并增强噪声鲁棒性。

1.2 实际问题与产业意义

前视成像在无人机导航、导弹制导等场景中至关重要，但传统方法（如多普勒波束锐化DBS或单站SAR）因方位多普勒梯度小，难以实现高分辨率。此外，天线孔径受平台尺寸限制，无法通过增大孔径提升分辨率。论文提出的方法可在不增加硬件复杂度的情况下，通过算法优化提升成像质量，对军事侦察、自主导航和地形测绘等领域具有重要应用价值。

---

2. 论文提出的新方法、模型与公式解析

论文的核心创新在于联合低秩与稀疏先验的优化模型，并通过ADMM框架下的ALM算法高效求解。以下详细分析：

2.1 联合低秩与稀疏模型

问题建模：
传统CS模型（公式9）仅利用目标稀疏性：
$$\underset{X}{\min }\Vert X{\Vert }_0,\text{ s.t.}{\Vert S_{rc}-AX\Vert }_F^2\le \epsilon$$
但在噪声干扰下，稀疏性约束不足以区分目标与噪声。作者提出结合低秩特性（信号矩阵Y的低秩性）与目标稀疏性，构建联合优化模型（公式11）：
$$\begin{array}{l}{\min }_{X,Y,E}\mathrm{rank}(Y)+{\lambda }_1\Vert X{\Vert }_0+{\lambda }_2\Vert E{\Vert }_F^2\\ \text{ s.t.}Y=AX\\ Y+E=S_{rc}\end{array}$$
其中：

• 低秩约束（rank(Y)）：信号矩阵Y的秩远小于其维度，反映多通道数据的内部相关性。
• 稀疏约束（|X|₀）：目标在空间中的稀疏分布。
• 噪声能量约束（|E|²_F）：限制噪声能量。

松弛与凸优化：
由于秩函数和L₀范数是NP难问题，作者将其松弛为核范数（Nuclear Norm）和L₁范数，得到凸优化问题（公式12）：
$$\begin{array}{l}{\min }_{X,Y,E}\Vert Y{\Vert }_{\ast }+{\lambda }_1\Vert X{\Vert }_1+{\lambda }_2\Vert E{\Vert }_F^2\\ \text{ s.t.}Y=AX\\ Y+E=S_{rc}\end{array}$$
其中：

• $\Vert Y{\Vert }_{}$