【声纳与人工智能融合——从理论前沿到自主系统实战（进阶篇）】第九章 面向物理空间分辨率的声纳扩散超分辨

9.1 分数匹配生成模型（SGM）突破衍射极限合成孔径声纳（SAS）的方位向分辨率受限于实际孔径长度与信号波长，经典瑞利判据将可分辨距离定义为衍射极限的倒数。当方位向采样因平台运动约束或数据缺失而欠采样时，传统重建方法产生模糊旁瓣与方位向展宽。分数匹配生成模型通过逆转随机微分方程描述的退化过程，从先验分布中采样高分辨率解，突破物理孔径决定的衍射极限。9.1.1 随机微分方程（SDE）驱动的声纳图像退化过程建模声纳图像的退化过程建模为从数据分布 p0​(x0​) 到先验噪声分布 pT​(xT​) 的连续时间演化。前向过程由Itô随机微分方程描述：dxt​=f(xt​,t)dt+g(t)dwt​其中 f(⋅,t) 为漂移系数，g(t) 为扩散系数，wt​ 表示维纳过程。方差保持SDE（VP-SDE）设定 f(xt​,t)=−21​β(t)xt​ ，g(t)=β(t)​ ，时间依赖的噪声调度 β(t) 控制扰动强度。对于方位向降采样的SAS图像，观测模型 y=Ax0​+n 引入线性退化算子 A 表示方位向4倍降采样矩阵。联合分布 p(xt​,y) 的演化保持条件结构，后验采样通过扰动后验分布实现：p(xt​∣y)∝p(y∣xt​)p(xt​)9.1.2 条件去噪网络融合阵列流形先验逆向过程通过去噪分数匹配估计数据对数概率密度的梯度场。时间依赖的分数网络 sθ​(xt​,t,y) 估计条件分数函数 ∇xt​​logp(xt​∣y) 。网络架构融合U型卷积骨干与交叉注意力机制，低分辨率观测 y 通过独立编码器提取多尺度特征，作为条件注入去噪路径。阵列流形先验编码SAS成像物理约束。合