SARATR-X-v2：SAR 基础模型的尺度感知结构 预训练

掩模图像建模已成为 SAR 预训练 的主导范例，但重建目标的设计仍然从根本上悬而未决。本文认为，SAR 预训练 目标应满足两个条件才能产生可​​转移的表示：（i）基于物理的稳定性，即目标算子对相干成像中固有的乘性散斑的近似不变性； (ii)语义尺度兼容性，即覆盖下游任务所需的异构空间尺度。这两个条件单独实现但共同困难：基于物理的稳定性有利于固定算子，而语义尺度兼容性有利于数据驱动的组合。为此，SARATR-X-v2 在单一设计中协调了两者。该目标是通过跨越六个感受野的固定结构提取器构建的，从盲点局部聚合到定向对数比区域对比度，并通过可学习权重融合成一个统一的监督信号以进行掩模重建。在涉及分类、检测和分割的 12 个 SAR 基准上，SARATR-X-v2 实现了最先进的传输性能。在合成散斑变化下，所提出的目标相对于像素空间监督将学习监督中的扰动漂移减少了近两个数量级。总而言之，这些结果支持基于物理的稳定性和语义尺度兼容性作为相干成像下 预训练 目标设计的原则框架，并表明有效的 SAR 预训练 不是重建更多信号，而是重建正确的结构目标。