相位解缠是许多成像或测量技术中的关键但困难的问题，受限于传统方法的假设前提，在场景复杂区域相位解缠准确降低。随着深度学习的蓬勃发展，在相位解缠的应用潜力被逐渐挖掘，形成了不同的相位解缠策略。阐述了相位解缠技术在InSAR领域的传统方法与存在的不足，进而总结了深度学习在InSRA领域的应用情况。

相位解缠在许多成像或测量技术中是一个重要但又困难的关键问题，如在干涉测量合成孔径雷达（InSAR）、光学干涉测量（OI）、核磁共振成 像（MRI） ，条纹投影轮廓仪（FPP） 等领域； 其挑战在于，上述应用获取的数据是由反正切函数从复振幅场（CAF）计算得出的缠绕相位，被限制在(-π , π]的范围内。而为了得到最终的结果，必须将缠绕相位过周期补偿后恢复为绝对相位，其关系如下，这个过程称为相位解缠。

相位解缠是InSAR技术数据处理的重要环节与关键步骤，解缠结果的准确性直接决定了InSAR地形重建和地表形变估计的精度和可靠性。在满足Nyquist采样定理，相邻像元的相位差值不超过半个周期时，缠绕相位梯度与真实的相位梯度是相等的，进而可通过计算缠绕相位梯度进行积分解缠。相邻像元的相位梯度的计算公式如下：

传统的相位解缠方法可以总结为分为三类，以枝切法(Goldstein et al., 1988)为代表的路径追踪类算法，以最小二乘法为代表的最小范数类算法(Ghiglia and Romero, 1996)与以统计成本费用流( Statistical-cost, Network-flow Algorithm for Phase Unwrapping, SNAPHU）(Chen and Zebker, 2000)为代表的网络流算法。上述方法均是在相位连续性假设前提下成立，即保证干涉图的空间采样率足够高以避免混叠(Itoh, 1982)。传统的空间相位展开方法的目的是为了尽可能避免对有效点的负面影响，而且主要适用于非严重噪声和一些离散的不连续或混叠点。但在低相干、大梯度、高噪声等复杂区域，传统的方法将变得无效。

文献(McCann et al., 2017)首先在2000年利用深度神经网络学习输入空间与成对数据集输出空间的映射关系的想法，使得在上述极端情况下解决相位解缠成为可能。直至2018年，许多涉及深度学习的方法才广泛应用到空间相位解缠中，这些方法在噪声、不连续和不受相位连续性假设条件限制的情况下均有效。基于深度学习的InSAR相位解缠为InSAR数据智能处理领域提供了创新的解决策略，主要可分为3类，主要可划分为：（1） 深度学习--回归方法（2）深度学习—整周数计算方法（3）深度学习--辅助去噪方法。

（1）深度学习--回归方法

相位解缠可以看作是一个回归问题，其中神经网络直接学习解缠相位和绝对相位之间的映射关系。这些映射关系是最直接和直观的，但是缠绕相位与绝对相位并不严格遵循关系式-1，这就代表着干涉图中每个像元可能含有一个很小的误差 。

WU等人(Wu et al., 2020 , Wu et al., 2022)提出基于回归思想的相位解缠模型PUNet,通过学习缠绕相位到解缠相位的直接映射关系,实现了InSAR干涉图的相位解缠。该方法采用相似的卷积网络架构，首先,使用DDNet从干涉中探测发生局部沉降的位置,然后将干涉图中的沉降区域分割成块，并利用PUNet进行相位解缠通过在模拟干涉图上评估PUNet,与其他深度学习方法相比,该方法在相位解缠方面表现出优异的性能。

Wang等人(Wang et al., 2019)提出了基于残差神经网络和 U-Net的一步相位解缠神经网络，本文中称为 Res-UNet。Res UNet 在UNet 的每一级加入了残差模块，使用了l2范数损失函数。Res-UNet证明了使用下采样和上采用的UNet架构可以很好地实现解缠，而后续的很多算法也依 然使用了UNet来作为一步相位解缠神经网络的基本结构，然而，其问题在于它无 法很好地保证解缠结果的纹理细节，会破坏条纹一致性。因此在2022年，Zhou 等(Zhou et al., 2022)提出了 PU-GAN 算法，PU-GAN基于生成对抗网络，用于解缠的生成器为UNet架构，判别器则 用于判别条纹是否一致，保证了解缠的纹理细节。

深度学习- 执行的包装计数（dW C ）方法

相位解缠问题可看为一个语义分割问题，根据公式1 ，可通过添加整周数

来 实现相位展开。虽然不同像元的相位值不同，但在一个边缘周期内的模糊周数是相同的。对于每个像元，它的解缠结果仅有正确或不正确的。文献(Spoorthi et al., 2019 , Spoorthi et al., 2020)提出的相位解缠模型(PhaseNet、PhaseNet2.0)获得的结果,凸显了深度卷积神经网络确实可以有效地应用于相位解缠，改进后的CNN模型适用范围更广。文献(Calvanese et al., 2020)使用U-Net网络,利用缠绕数信息（距离向与方位向）来估计解缠相位，在干涉图质量较好时，可获得较优的结果。为了克服传统InSAR相位解缠方法在相位梯度过大时出现相位跳变的问题。文献(Zhou et al., 2020)利用PGNet(phase gradient network)估计干涉图的相位梯度信息，并且不再受相位连续性假设的制约； 

2.3深度学习辅助去噪（dDN）方法

在传统的方法中，采用使用算法直接解缠或绕过低质量像素，或掩膜低质量的像素，然后再使用嵌入式算法进行相位解缠的策略。但也可以通过神经网络工作对缠绕相位中的去噪与相位解缠同时进行学习。文献(Vijay Kumar et al., 2023)提出了一种基于U-Net的两阶段相位解缠的深度神经网络框架，该框架能够对InSAR相位图像进行联合解包裹和去噪，第一阶段通过整周数估计得到解缠相位，第二阶段执行细化以获得对真实相位更好估计。这个两阶段的过程通过学习噪声行为表征然后去除噪声，在有噪声的输入相位条件下显示了展现出优秀的性能。文献(Yan et al., 2020)提出了利用神经网络对条纹投影轮廓仪的数据的实部和虚部进行去噪。然后采用线扫描方法对过滤的相位进行解缠。

除InSAR领域外，相位解缠+深度学习还有以下的实践，初步总结如下：