As imagens de radar de abertura sintética (SAR) óptico e SAR apresentam diferenças significativas de radiação e geométricas entre as imagens devido às diferenças fundamentais nos princípios de formação de imagens, e a correspondência automática precisa tem sido um ponto focal de pesquisa acadêmica internacional atual. Atualmente, a maioria dos métodos de correspondência baseados em aprendizado profundo se concentra na extração de características profundas da imagem, mas esses modelos geralmente ignoram a fusão de características multiescala da imagem e a expressão de características comuns, resultando em robustez insuficiente e dificuldade para lidar com cenas complexas e variadas. Diante disso, este estudo propõe um método robusto de correspondência de imagens ópticas e SAR baseado no reforço da reconstrução de características profundas. Este método constrói uma rede de extração de características comuns de pseudo-gêmeos que integra a extração de características profundas multiescala e a reconstrução de características da imagem. Primeiro, a rede pode extrair eficientemente características profundas multiescala de pares de imagens ópticas e SAR em nível de pixel. Em seguida, para imagens ópticas, é projetada uma estrutura de ramificação de tradução de imagens SAR falsas que utiliza a reconstrução de características profundas da imagem para reforçar a capacidade da rede de aprender características comuns mais robustas. Por fim, é construída uma função de perda conjunta com base na similaridade de correspondência de características em várias camadas e no erro médio de reconstrução da imagem, realizando a correspondência robusta de imagens ópticas e SAR. Em experimentos de comparação realizados em dois conjuntos de dados de imagens de sensoriamento remoto que apresentavam resoluções diferentes e incluíam cenas geomorfológicas variadas (urbanas, suburbanas, desérticas, montanhosas, aquáticas), os resultados mostraram que o método proposto teve a mais alta taxa de correspondência correta em comparação com vários métodos avançados de correspondência atuais.

sensoriamento remoto; imagem óptica; imagem de radar de abertura sintética; correspondência de imagem; aprendizado profundo