Forward-Looking Super-Resolution Imaging Based on Echo Denoising and Noise Weighting at Low SNR论文阅读

1. 研究目标与实际问题

1.1 研究目标

论文旨在解决前视雷达成像（Forward-Looking Imaging）在低信噪比（Low SNR）条件下，传统压缩感知（Compressed Sensing, CS）方法因噪声干扰导致虚假目标生成和成像质量下降的问题。具体目标包括：

1. 提出一种结合复数变分模态分解（Complex Variational Mode Decomposition, CVMD）和噪声加权（Noise Weighting）的鲁棒成像方法（CVMD-WCS），以提升低SNR条件下的成像性能；
2. 通过仿真和实测数据验证方法的有效性。

1.2 实际问题与产业意义

前视雷达在自动驾驶、导弹制导等领域有广泛应用，但受限于天线尺寸和平台约束，传统方法的方位分辨率不足。

产业意义在于：

• 军事领域：提升导弹和无人机平台的成像精度，增强目标识别能力；
• 民用领域：推动自动驾驶中障碍物检测和地形测绘的可靠性。

---

2. 创新方法：CVMD-WCS的提出与优势

2.1 方法框架

论文提出CVMD-WCS方法，包含两个核心步骤：

1. 复数变分模态分解（CVMD）：预处理回波信号以抑制噪声；
2. 噪声加权L1范数优化（Weighted CS, WCS）：在CS模型中通过加权策略区分目标和噪声。

2.1.1 复数变分模态分解（CVMD）

传统VMD的局限性：
VMD（Variational Mode Decomposition）仅适用于实数信号，而雷达回波为复数信号。直接应用VMD会导致负频率分量丢失，如图2所示.
CVMD的改进：

1. 频谱分割与对称化：将复数信号的频谱分为正负频率部分（$S_{+}(W)$和$S_{-}(W)$），分别映射为对称频谱（$S_1(W)$和$S_2(W)$），使其符合实数信号特性（图3）；
2. 双通道VMD处理：对$S_1(t)$和