Dual-fusion GAN：SAR图像语义分割中的光学辅助对应文献：Li等，A Dual-fusion Semantic Segmentation Framework With GAN For SAR Images. arXiv, 2022.
1. 算法思路该方法面向SAR语义分割。SAR影像 S 语义可解释性较弱，光学影像 O 具有更强视觉语义。论文公开摘要显示，其基本思路是先用GAN从SAR生成光学风格影像 \hat{O}，再将SAR和生成/真实光学特征融合用于分割。
整体流程可写为：
\hat{O}=G(S)
\hat{Y}=H(S,\hat{O})
其中 G 是SAR-to-optical生成器，H 是分割网络。
2. GAN生成阶段生成器 G 将SAR映射到光学域，判别器 D 判断输入是否为真实光学：
\min_G\max_D
\mathcal{L}_{GAN}(G,D)
标准对抗损失可写为：
\mathcal{L}_{GAN}
=
\mathbb{E}_{O}[\log D(O)]
+
\mathbb{E}_{S}[\log(1-D(G(S ...
逐篇算法思路与公式推导索引本目录把《光学与SAR融合算法研究综述_逐篇算法版.md》中的代表性算法拆成独立文件，便于单篇阅读和后续扩展。每个文件尽量包含：算法思路、变量定义、融合位置、核心公式或可等价表达的目标函数、推导逻辑、训练/优化流程、局限。
需要说明：部分论文是综述、数据集或预印本，原文未给出完整网络细节或公式。此处对这类文献只写“可形式化理解”的公式，不编造原论文未公开的模块参数或实验数值。
各算法文件已补充“文献截图”小节，截图包括算法框架、步骤流程、实验效果或对比结果。截图原图保存在 D:\Users\t\Documents\光学SAR融合调研\文献截图，Markdown 中使用指定图床上传后的图片链接。新增下载的 arXiv 预印本 PDF 保存在 D:\Users\t\Documents\光学SAR融合调研\参考文献下载，文件名前缀为 A01 到 A04。
算法文件
编号
文件
内容
01
R48_像素级融合方法族.md
PCA/IHS/Brovey/小波/稀疏表示等像素级SAR-光学融合公式
02
R5 ...
SAR/光学成像方式异构任务分配：抽象模型与同平台扩展文献与适用边界对应本地清单C20：考虑异构性和SAR/光学成像方式的对地观测卫星任务分配研究，2026，题录记录DOI为 10.3969/j.issn.1674-1579.2026.01.006。
本地题录显示该研究明确考虑SAR/光学成像方式，但作者和算法细节需以期刊原文为准。以下公式是根据“异构任务分配+SAR/光学成像方式”抽象出的可迁移模型，不声称为原文逐字公式。
算法思路异构任务分配的核心是：不同平台或载荷能力不同，同一任务对光学或SAR的适配度也不同。调度器需要把任务分配给合适的载荷/平台，使总收益最大并满足资源约束。
在同平台问题中，“异构平台”可退化为“同平台内异构载荷”。即光学和SAR虽然在同一平台上，但成像方式、资源消耗和可用窗口不同。
变量定义任务集合 I，载荷集合 M={OPT,SAR}，模式集合 K_m。分配变量：
x_{imk}=
\begin{cases}
1,& \text{任务 }i\text{ 分配给载荷 }m\text{ 的模式 }k ...
石鑫等SAR多星复杂区域观测规划：改进遗传算法模型文献与适用边界对应文献：石鑫等，基于改进遗传算法的SAR多星协同复杂区域观测规划，遥感学报/National Remote Sensing Bulletin，2024/2025。
该文研究SAR多星复杂区域观测规划，不是同平台光学/SAR，但其区域分解、SAR窗口选择和遗传算法约束修复可用于同平台SAR条带任务建模。
算法思路复杂区域目标通常要分解为多个子区域或条带。每颗SAR卫星在不同时间窗口可覆盖不同区域。遗传算法用染色体表示任务分配和观测顺序，通过适应度函数评价覆盖收益和约束违背，迭代选择、交叉、变异和修复。
变量与编码设区域分解为单元 A={1,\dots,n}，候选观测窗口为 W。染色体可抽象为：
chrom=(g_1,g_2,\dots,g_n)
其中 g_i 表示区域单元 i 分配给哪个平台/窗口/条带。对同平台光学/SAR，可扩展为：
g_i=(m_i,w_i,k_i)
表示单元 i 使用载荷 m_i、窗口 w_i、模式 k_i。
适应度函数推导覆盖 ...
Chien等自主Sensorweb与EO-1：事件触发重规划模型文献与适用边界对应文献：Chien等的“An Autonomous Earth-Observing Sensorweb”和EO-1 Autonomous Sciencecraft Experiment相关文献。
该类研究关注星上自主、传感器网和事件触发观测，不是专门的光学/SAR同平台调度。但它给出了从“固定计划”走向“检测-触发-重规划”的闭环思想。
算法思路系统先执行基础观测计划；当星上或地面传感器检测到事件后，生成新任务请求，并重新评估任务优先级。调度器在不破坏安全约束的前提下，把新任务插入后续计划。
事件触发模型设传感器检测事件 e，事件置信度为 (conf(e))，事件价值为 (v(e))。触发条件：
conf(e)\ge \theta_{conf},\quad v(e)\ge \theta_v
触发任务 i_e 的优先级可定义为：
p_{i_e}=p_0+\alpha conf(e)+\beta v(e)
重规划目标新计划 P 相对于旧计划 P^0 的目标：
\max \sum_i p_ ...
Song等多视角SAR-UAV覆盖路径规划：能量约束与PSO类模型文献与适用边界对应文献：Song, D.; Zhang, X.; Yu, Z.; Qin, K. Coverage Path Planning for Multi-View SAR-UAV Observation System Under Energy Constraint. arXiv, 2025.
该文研究多视角SAR-UAV覆盖路径规划，重点是目标视点、路径和能量约束。它不是光学/SAR双载荷模型，但对无人机SAR侧的路径-能量-覆盖建模很有价值。
算法思路多视角SAR观测要求同一目标或区域从多个视角获取数据。调度器需要选择视点并设计无人机访问路径，在能量约束下最大化覆盖质量。算法可采用聚类、任务分配和粒子群优化等方法。
变量定义候选视点集合为 V={1,\dots,n}，无人机路径为一个排列 \pi。视点 v 的覆盖收益为 c_v，访问能耗为 e_v，路径边能耗为 e_{uv}。
选择变量：
x_v=1
表示选择视点 v。路径边变量：
y_{uv}=1
表示从视点 u 飞到视点 v。
目标函 ...
Stecz和Gromada UAV SAR任务规划：航线与成像几何模型文献与适用边界对应文献：Stecz, W.; Gromada, K. UAV Mission Planning With SAR Application. Sensors, 2020.
该文面向搭载SAR的无人机任务规划。它不研究光学/SAR同平台，但对无人机平台的SAR航线、侧视几何和任务区域覆盖有直接参考价值。
算法思路SAR-UAV任务规划不能只给出目标点顺序，还必须保证飞行航段满足SAR成像几何。无人机需要沿相对稳定的航迹飞行，使目标处于合适斜距和入射角范围。规划器通常先根据任务区域生成可行成像航段，再连接航段形成完整航线。
变量定义航路点集合为 P={p_1,\dots,p_n}，航段为 (l=(p_u,p_v))。目标区域为 A，SAR侧视距离为 r_l，入射角为 \theta_l，航段覆盖区域为 C_l。
选择变量：
x_l=1
表示选择航段 l 执行SAR成像。
目标函数推导覆盖最大化：
\max \frac{|\bigcup_{l:x_l=1} C_l\cap A|}{| ...
Chang等主动成像多条带调度：ALNS与多目标优化文献与适用边界对应文献：Chang, Z.; Punnen, A. P.; Zhou, Z. Multi-strip Observation Scheduling Problem for Active-imaging Agile Earth Observation Satellites. arXiv, 2022.
主动成像敏捷卫星与SAR任务相近，常需要条带选择、侧视几何和高资源消耗。该文不联合光学载荷，但适合说明SAR侧的区域条带调度。
算法思路大区域目标通常不能一次成像完成，需要分解为多个条带。调度器选择若干条带并排序，使覆盖收益尽量高，同时机动和时间成本尽量低。问题具有多目标特征：最大覆盖和最小代价往往冲突。
变量定义区域被分解为条带集合 B={1,\dots,n}。条带 b 的覆盖收益为 c_b，执行时间为 d_b，入射角为 \theta_b。选择变量：
x_b=1
表示选择条带 b。顺序变量：
o_{uv}=1
表示条带 u 在 v 前执行。
多目标函数推导覆盖收益最大化：
\max F_1=\sum_{b\i ...
Levinson等多载荷敏捷卫星规划：约束优化与闭环观测文献与适用边界对应文献：Levinson, R.; Nag, S.; Ravindra, V. Agile Satellite Planning for Multi-Payload Observations for Earth Science. arXiv, 2021.
该文是多载荷敏捷卫星规划研究，与同平台光学/SAR主题最接近。其载荷未必限定为光学和SAR，但“同一卫星多仪器共享平台资源”的问题结构可直接迁移。
算法思路多载荷规划不仅要决定观测目标和时间，还要决定使用哪个仪器。闭环任务中，前一次观测或外部预测会改变后续观测价值，因此计划需要动态更新。
变量定义任务集合 I，载荷集合 M，候选窗口 W_{im}。选择变量：
x_{iwm}=1
表示任务 i 在窗口 w 使用载荷 m 执行。平台姿态状态为 (a(t))，资源状态为 (r(t))。
目标函数推导多载荷任务收益可写为：
\max \sum_{i,w,m} V_i(m,t_w,\xi_t)x_{iwm}
其中 \xi_t 表示当前科学状态或预测信息 ...
He等与Herrmann-Schaub强化学习调度：MDP建模与奖励推导文献与适用边界对应文献包括：He等的“A Generic Markov Decision Process Model and Reinforcement Learning Method for Scheduling Agile Earth Observation Satellites”和Herrmann、Schaub的“Reinforcement Learning for the Agile Earth-Observing Satellite Scheduling Problem”。
这些研究将敏捷卫星调度建模为马尔可夫决策过程（MDP）。它们不直接研究光学/SAR同平台，但MDP很适合表达动态状态下的载荷选择、等待、下传和重规划。
MDP建模MDP由五元组表示：
\mathcal{M}=(\mathcal{S},\mathcal{A},P,R,\gamma)
其中 \mathcal{S} 是状态空间，\mathcal{A} 是动作空间，P 是状态转移概率，R 是奖励函数，\gamma 是折扣因子。 ...
