📖 AI 总结

该研究针对合成孔径雷达相位历史数据的星上压缩问题，检验小型卷积自编码器能否在AFRL GOTCHA数据集上超越现行标准的块自适应量化（BAQ）。实验采用严格的比特计费与CA-CFAR检测匹配评分，结果显示仅有28656个编码器参数的自编码器在各码率下均告失败：16 b/cs时归一化均方误差为-2.87 dB，而8位BAQ在±3σ裁剪下为-35.5 dB，调优裁剪范围后达-41.0 dB；自编码器也不敌编码成本仅其十分之一的16×16块KL变换（-5.39 dB），即便改用压扩傅里叶域训练，检测F1仍被限制在33%。作者指出问题出在模型结构、归一化方式与训练目标，而非学习型编码的根本极限。研究还揭示两项评估层面的发现：原始64×64块上97%的CFAR越界源于零填充检测器的边界伪影；在内部单元上，BAQ的裁剪范围直接决定检测性能，8位BAQ在调优裁剪下F1为69%，而±3σ时仅17%，且在8 b/cs及以下时自适应FFT阈值法保留的检测多于BAQ。文末提出了一套面向学习型雷达压缩的评估协议。

🔑 关键词速览