小卷积自编码器能否取代BAQ？SAR相位历史数据学习压缩的"诚实速率"可行性研究
当深度学习遇上SAR星上压缩
合成孔径雷达（SAR）的相位历史数据需要在卫星上完成压缩后再下传，带宽压力极大。长期占据这一位置的行业标准是块自适应量化（BAQ）——一种经典、成熟、可预测的量化方案。那么，一个可以部署在传感器端的小型卷积自编码器，能不能在压缩效率上挑战BAQ？
arXiv 上的一篇新论文《Learned Compression of SAR Phase-History Data: A Rate-Honest Feasibility Study on GOTCHA》给出了一个相当"泼冷水"的答案，但作者刻意强调：问题不在于"学习式编码"这条路走不通，而在于这个具体模型、它的归一化方式和训练目标没设计好。
实验怎么做的？
研究使用AFRL GOTCHA数据集中的复数相位历史切片，对比对象包括：
- 8-bit BAQ（带 $\pm 3\sigma$ 截断）
- 调优截断范围的 BAQ
- $16 \times 16$ 块 Karhunen-Loève 变换（KLT）
- 一个小型卷积自编码器（编码器仅 28,656 个参数）
评价方法上，作者坚持"速率诚实"：所有传输的比特都要计入，速率以 bits per complex sample（b/cs） 报告，检测性能则用 CA-CFAR 检测的一对一匹配来打分。
结果：自编码器全面落后
结论相当直接——自编码器在每一个速率点上都输了：
- 在 16 b/cs 时，自编码器仅达到 -2.87 dB NMSE；
- 而 8-bit BAQ（$\pm 3\sigma$ 截断）达到 -35.5 dB，调优截断范围后更是 -41.0 dB；
- 连参数成本只有它十分之一的 KLT 局部线性编码器也赢了，达到 -5.39 dB。
把网络放到压扩傅里叶域里运行确实有改善，但检测 F1 依然被限制在 33% 左右。
两个关于"评测方法本身"的发现
这篇论文有意思的地方在于，它顺带指出了一些评测陷阱：
- 在原始 $64 \times 64$ 切片上，97% 的 CFAR 越界点其实是零填充检测器的边界伪影，而非真实目标；
- 在内部单元上，BAQ 的截断范围直接决定检测结果：调优截断时 8-bit BAQ 能保持 69% F1，但用 $\pm 3\sigma$ 时只剩 17%；而在 8 b/cs 或更低速率下，自适应 FFT 阈值化保留的检测反而比 BAQ 更多。
这意味着什么？
作者分析了数据特性：每个切片只有温和的 lag-1 相干性（$|\rho| \approx 0.3$），且频谱集中度是切片特有的。这解释了为什么一个通用小网络很难占到便宜——它没有利用好这些结构。
论文最终给出的不是"学习式压缩不可行"的判决，而是一套面向学习式雷达压缩的评测协议。换句话说，它更像是一份"避坑指南"：想让神经网络在SAR星上压缩里真正击败BAQ，光把现成的自编码器搬过来是不够的——归一化、目标函数、数据域的选择都要重新设计，而且评测标准本身也得先校准。
对于关注星上AI和遥感数据压缩的读者来说，这篇工作提醒我们：在带宽敏感的工程场景里，经典方法依然是非常强的基线，而"学习式"方案的可行性论证，必须建立在诚实计费和严谨评测之上。
