WaveDINO: Learning-Based Atmospheric Correction of Unwrapped InSAR Interferograms Validated by GNSS: Results at Laguna del Maule and Campi Flegrei Volcanoes
作者: Robert Popescu, Juliet Biggs, Tianyuan Zhu, Nantheera Anantrasirichai
分类: cs.CV
发布日期: 2026-06-15
备注: 11 pages, 6 figures
💡 一句话要点
提出WaveDINO以解决InSAR干涉图大气校正问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: InSAR 大气校正 火山监测 机器学习 去噪技术 小波变换 GNSS验证
📋 核心要点
- 现有的大气校正方法无法始终有效去除InSAR干涉图中的大气伪影，且可能引入偏差。
- 本文提出WaveDINO，通过结合物理驱动的合成变形与真实大气噪声的混合训练策略，实现对未包裹InSAR干涉图的去噪。
- 实验结果表明，WaveDINO在拉古纳德尔毛雷和坎皮弗莱格雷的真实数据上，GNSS误差分别减少了约3%和19%，显著优于现有方法。
📝 摘要（中文）
干涉合成孔径雷达（InSAR）能够有效监测火山变形，但观测信号常受到大气相位延迟、季节性表面变化和去相关效应的干扰。现有的大气校正方法，如基于数值天气模型的方法，虽然能够减少这些影响，但并不能始终消除大气伪影，并可能引入残余偏差。为了解决这些局限性，本文提出了一种新颖的基于学习的方法，用于去噪未包裹的InSAR干涉图，采用结合物理驱动的合成变形与真实大气噪声的混合训练策略。具体而言，我们引入了WaveDINO，一个基于小波的多尺度去噪框架，依赖于冻结的DINOv3基础模型特征和地形信息进行条件处理。通过在短期干涉图上叠加合成的岩浆源变形，训练网络以接触现实的大气统计特性，同时保留已知的真实值。性能在拉古纳德尔毛雷（智利）和坎皮弗莱格雷（意大利）的长期真实干涉图上进行了评估，并使用独立的GNSS测量进行验证。WaveDINO在与GNSS测量的一致性方面持续优于竞争模型，在两个地点分别减少了约3%和19%的GNSS误差，同时超越了基于天气模型的校正。
🔬 方法详解
问题定义：本文旨在解决InSAR干涉图中由于大气相位延迟和其他因素引起的伪影问题。现有方法往往无法有效去除这些伪影，且可能引入新的偏差。
核心思路：WaveDINO通过引入基于小波的多尺度去噪框架，结合物理驱动的合成变形与真实大气噪声，提供了一种新的学习方法来处理未包裹的InSAR干涉图。这样的设计使得模型能够在保留真实地面信息的同时，学习到有效的去噪特征。
技术框架：WaveDINO的整体架构包括数据预处理、特征提取、去噪处理和后处理四个主要模块。首先，利用合成的岩浆源变形生成训练数据，然后通过冻结的DINOv3模型提取特征，最后进行去噪和结果重建。
关键创新：本研究的关键创新在于将物理驱动的合成变形与真实大气噪声结合，形成了一种新的训练策略，使得模型在去噪时能够更好地适应真实场景。这与传统的基于数值天气模型的方法有本质区别。
关键设计：在模型设计中，采用了小波变换作为去噪的核心技术，损失函数则结合了重建误差和物理约束，以确保去噪效果的同时保持物理一致性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，WaveDINO在拉古纳德尔毛雷和坎皮弗莱格雷的真实干涉图上，GNSS误差分别减少了约3%和19%。与基于天气模型的校正方法相比，WaveDINO在一致性和准确性上均表现出显著提升，验证了其有效性。
🎯 应用场景
该研究的潜在应用领域包括火山监测、地震预警和地表变形分析等。通过提高InSAR数据的准确性，WaveDINO能够为地质灾害的预测和管理提供更为可靠的支持，具有重要的实际价值和未来影响。
📄 摘要（原文）
Interferometric Synthetic Aperture Radar (InSAR) enables effective monitoring of volcanic deformation; however, the observed signals are often corrupted by atmospheric phase delays, seasonal surface changes, and decorrelation effects. Existing atmospheric correction methods, such as numerical weather model-based methods, can reduce these effects but do not consistently remove atmospheric artefacts and may introduce residual biases. To address these limitations, we propose a novel learning-based method for denoising unwrapped InSAR interferograms, using a hybrid training strategy that combines physically motivated synthetic deformation with real atmospheric noise. Specifically, we introduce WaveDINO, a wavelet-based multi-scale denoising framework conditioned on frozen DINOv3 foundation-model features and terrain information. Training uses synthetic magma-source deformation superimposed on short-term interferograms to expose the network to realistic atmospheric statistics while retaining known ground truth. Performance is evaluated on both controlled synthetic data and long-term real interferograms from Laguna del Maule (Chile) and Campi Flegrei (Italy), with independent GNSS measurements used for validation. WaveDINO consistently outperforms competing models, improving agreement with GNSS measurements, and reducing mean GNSS misfit by approximately 3% and 19% at two sites, respectively, while surpassing weather-model-based corrections.