合成孔徑雷達（SAR）因其獨特的主動式微波成像機制，在遙感領域占據重要地位。然而，傳統視覺模型多基于光學圖像開發，難以直接適配SAR圖像的特殊性質。哈工大團隊近日提出名為SUMMIT的SAR基礎模型，通過融合多輔助任務的自監督學習框架，在分類、檢測和分割等任務中取得突破性進展，相關論文發表于國際學術期刊。

SAR圖像的生成依賴于回波矢量疊加，導致其存在斑點噪聲和幾何畸變等光學圖像中不存在的特性。SAR圖像為單通道幅度信息，目標表征主要依賴強散射點和邊緣結構，而非光學圖像中的顏色與紋理。這些差異使得直接遷移光學模型至SAR領域效果不佳，且現有SAR預訓練數據集規模有限、質量參差不齊，進一步限制了模型性能。

針對上述挑戰，研究團隊以視覺Transformer（ViT）的掩碼自編碼器（MAE）架構為基礎，創新性地引入輔助任務協調模塊（ATCM）。該模塊將三個物理驅動的自監督任務——自監督去噪、邊緣特征增強和散射點特征提取——無縫集成至預訓練流程。例如，在去噪任務中，模型通過對數變換和模擬高斯噪聲注入，學習從含噪數據中恢復純凈信號；在散射點提取任務中，利用Harris角點檢測定位強后向散射中心，強化模型對目標關鍵結構的感知能力。

實驗結果表明，SUMMIT在多個主流數據集上顯著優于傳統方法。在目標檢測任務中，模型在SARDet-100K數據集上的平均精度（mAP）較直接微調的ViTDet提升至少5%，尤其在港口和停機坪等密集場景下，能有效區分重疊目標，減少漏檢與誤檢。目標分類任務中，模型在MSTAR數據集上展現卓越的小樣本學習能力：僅使用30%訓練數據時準確率達98.39%，全量數據下準確率高達99.89%，超越ResNet和Swin-Transformer等主流模型。

通過注意力熱力圖分析可進一步驗證模型對SAR物理機制的理解。對比普通ViT模型，SUMMIT的注意力高度集中在目標的強散射中心（如艦船甲板、飛機機身），而非受斑點噪聲干擾的背景區域。這一特性表明，輔助任務的設計成功引導模型聚焦于信號本質，而非噪聲干擾。

該研究證明，在垂直領域AI開發中，領域知識的深度融合至關重要。單純依賴數據規模難以解決SAR等復雜物理背景下的視覺問題，唯有將散射機制、噪聲分布等物理特性嵌入模型設計，才能實現真正意義上的性能突破。目前，團隊已開源相關代碼，為SAR遙感領域的智能化發展提供新工具。