深層学習は、その強力な特徴学習および非線形モデリング能力により、合成開口レーダー干渉測定（InSAR）位相フィルタリング分野で広く応用されている。しかし、高雑音および縞模様が密集した領域において、既存の手法は雑音抑制と位相信号の詳細保持の両立が困難である。そこで、本研究では適応的強調と動的選別機構（AASTM: Adaptive Augmentation and dynamic Screening-based Technique Module）を融合した多尺度InSAR位相フィルタリング手法を提案する。本モデルはU-Netネットワークを基盤とし、多尺度特徴抽出および逐次融合フレームワークを構築し、異なる尺度にAASTMモジュールを挿入して干渉位相特徴の適応的強調と動的選別を実現し、位相詳細の保持と雑音抑制のバランスを達成する。また、菱形―正方形格子法により高雑音および縞模様密集シーンを網羅する模擬学習データセットを生成し、複雑シーンにおけるネットワークの頑健性と一般化能力を向上させた。模擬データおよび陸探1号（LT-1）A/B二重衛星SARデータを用いて提案手法のフィルタリング効果を実験的に検証し、既存のフィルタリング法と比較した。結果は、模擬データにおいて本手法が他のフィルタリング法と比較し平均二乗誤差を約20%低減し、構造類似指数を約18%向上させ、ピーク信号雑音比を約5%改善したことを示す。特に高雑音および密集縞領域で位相エッジおよび詳細保持性能が優れている。LT-1 A/B実測データでは残差点除去率が90.42%に達し、位相詳細情報の保持も優れていた。総じて、本提案手法は他手法を明らかに上回るフィルタリング精度を持ち、密集縞領域において優れた位相分解能と詳細保持能力を備え、LT-1 A/Bデジタル標高モデルの精密反演に信頼性の高い技術支援を提供できる。

深層学習;合成開口レーダー干渉測定;位相フィルタリング;適応的強調;動的選別