Die Technologie Synthetic Aperture Radar (SAR) ermöglicht es, Aufnahmen der Erdoberfläche unabhängig von Wetter- und Tageszeit zu erstellen. Leider ist die Interpretation von SAR-Bildern komplex und stellt für Laien eine sehr anspruchsvolle Aufgabe dar. Aus diesem Grund hat die Übersetzung von SAR-Bildern in einfach zu interpretierende optische Bilder das Potenzial, den praktischen Nutzen von SAR-Bildern deutlich zu steigern. In den letzten Jahren wurden Generative Adversarial Networks (GANs) häufig eingesetzt, um dieses Problem zu lösen. Diese Forschungsarbeit untersucht den Einfluss verschiedener Verlustfunktionen auf die Übersetzung von SAR-Bildern in optische, basierend auf der Pix2Pix-Architektur. Mehrere vielversprechende Verlustfunktionen, darunter LSGAN-, WGAN- und kontextueller Verlust, kombiniert mit der L1-Distanz, wurden für diese Übersetzungen getestet. Die Modelle wurden mit dem SEN1-2-Datensatz trainiert und evaluiert. Die Ergebnisse wurden quantitativ mit den Metriken Structural Similarity Index (SSIM) und Peak Signal-to-Noise Ratio (PSNR) evaluiert. Zusätzlich wurde auch eine strukturierte qualitative Analyse mit Fokus auf die visuell wahrnehmbare Bildqualität durchgeführt. Die Ergebnisse zeigen, dass alternative Verlustfunktionen die Übersetzungsleistung im Vergleich zur Standard-pix2pix-Baseline deutlich verbessern können. Insbesondere lieferte die Kombination aus Wasserstein- und L1-Distanz die realistischsten Bilder, die dem jeweiligen Original sowohl quantitativ als auch qualitativ am nächsten waren. Die Experimente zeigten außerdem, dass eine hohe Gewichtung der L1-Distanz entscheidend für Verbesserungen bei den quantitativen Metriken war, während die GAN-Verlustfunktionen für visuell realistische Bilder einen wichtigen Beitrag lieferten. Das Hinzufügen von kontextuellem Verlust führte zu keinen Verbesserungen, sondern oft sogar zu sichtbaren Artefakten in den generierten Bildern. Die Auswertung der Ergebnisse verdeutlichte zudem die Grenzen gängiger quantitativer Evaluierungsmetriken, da diese nicht vollständig mit den qualitativen Ergebnissen auf Basis visueller Bewertungen übereinstimmten. Darüber hinaus wurde festgestellt, dass die hohe Empfindlichkeit von GANs auf Veränderungen der Hyperparameter einen starken Einfluss auf die Ergebnisse haben kann.
David Wagner (Wed,) studied this question.