Communication Dans Un Congrès Année : 2025

From Spaceborne to Airborne: SAR Image Synthesis Using Foundation Models for Multi-Scale Adaptation

De l’imagerie spatiale à aéroportée : synthèse d’images SAR par modèles de fondation pour une adaptation multi-échelle

Résumé

The availability of Synthetic Aperture Radar (SAR) satellite imagery has increased considerably in recent years, with datasets commercially available. However, the acquisition of highresolution SAR images in airborne configurations, remains costly and limited. Thus, the lack of open source, well-labeled, or easily exploitable SAR text-image datasets is a barrier to the use of existing foundation models in remote sensing applications. In this context, synthetic image generation is a promising solution to augment this scarce data, enabling a broader range of applications. Leveraging over 15 years of ONERA’s extensive archival airborn data from acquisition campaigns, we created a comprehensive training dataset of 110 thousands SAR images to exploit a 3.5 billion parameters pre-trained latent diffusion model [1]. In this work, we present a novel approach utilizing spatial conditioning techniques within a foundation model to transform satellite SAR imagery into airborne SAR representations. Additionally, we demonstrate that our pipeline is effective for bridging the realism of simulated images generated by ONERA’s physicsbased simulator EMPRISE [2]. Our method explores a key application of AI in advancing SAR imaging technology. To the best of our knowledge, we are the first to introduce this approach in the literature.

La disponibilité des images satellites issues du radar à ouverture synthétique (SAR) a considérablement augmenté ces dernières années, avec des jeux de données désormais accessibles commercialement. Cependant, l’acquisition d’images SAR haute résolution en configuration aéroportée reste coûteuse et limitée. Ainsi, le manque de jeux de données SAR open source, bien annotés ou facilement exploitables, associant texte et image, constitue un obstacle à l’utilisation des modèles fondamentaux existants dans les applications d’observation de la Terre. Dans ce contexte, la génération d’images synthétiques apparaît comme une solution prometteuse pour enrichir ces données rares, permettant ainsi un éventail d’applications plus large. En s’appuyant sur plus de 15 ans d’archives aériennes issues des campagnes d’acquisition de l’ONERA, nous avons constitué un jeu de données d’entraînement complet de 110 000 images SAR, afin d’exploiter un modèle de diffusion latente pré-entraîné de 3,5 milliards de paramètres [1]. Dans ce travail, nous présentons une approche innovante utilisant des techniques de conditionnement spatial au sein d’un modèle fondamental pour transformer des images satellites SAR en représentations SAR aéroportées. De plus, nous démontrons que notre pipeline est efficace pour combler l’écart de réalisme entre les images simulées générées par le simulateur physique EMPRISE de l’ONERA [2]. Notre méthode explore une application clé de l’intelligence artificielle dans l’avancement des technologies d’imagerie SAR. À notre connaissance, nous sommes les premiers à introduire cette approche dans la littérature.

Fichier principal
Vignette du fichier
DEMR2025-062.pdf (1.96 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
Licence

Dates et versions

hal-05330115 , version 1 (24-10-2025)

Licence

Identifiants

  • HAL Id : hal-05330115 , version 1

Citer

Solène Debuysère, Nathan Letheule, Elise Colin, Nicolas Trouvé, Olivier Lévêque. From Spaceborne to Airborne: SAR Image Synthesis Using Foundation Models for Multi-Scale Adaptation. Journées ENVIREM 2025, Jun 2025, PALAISEAU, France. ⟨hal-05330115⟩
113 Consultations
139 Téléchargements

Partager

  • More