1. 引言：从二维投影到三维解译的认知跃迁

合成孔径雷达（SAR）自20世纪50年代诞生以来，凭借其全天时、全天候的高分辨成像能力，已成为遥感对地观测不可或缺的信息获取手段。然而，传统SAR成像本质上是将三维地物场景通过斜距投影压缩至二维平面，这一“维度坍塌”过程不可避免地引发了叠掩（Layover）、透视收缩（Foreshortening）和阴影（Shadow）等几何畸变，严重制约了复杂场景——尤其是高密度城区、陡峭山地和茂密植被覆盖区——的精细解译能力。据欧洲空间局统计，在城市区域SAR影像中，叠掩现象可影响超过30%的像元，直接导致高程信息的丢失与地物分类精度的下降（ESA, 2021）。

为突破二维成像的固有局限，SAR三维成像技术应运而生。其核心思想在于利用多角度、多基线或多次通过的相干观测，重建目标在高度向（垂直于斜距-方位平面）的散射分布，从而实现真正意义上的三维空间分辨。这一技术演进可大致划分为三个阶段：干涉SAR（InSAR）阶段，通过单基线相位差提取数字高程模型（DEM），奠定了高程测量的物理基础；层析SAR（TomoSAR）阶段，利用多基线合成孔径原理实现高度向聚焦，理论上可分离同一分辨单元内的多个散射体；以及当前正在兴起的微波视觉三维成像阶段，引入深度学习、计算成像和认知映射等新范式，试图在物理模型与数据驱动之间建立协同桥梁。

本文评述：上述三阶段并非简单的线性替代关系，而是呈现出“叠加融合”的演化特征。当前许多被冠以“智能三维成像”的研究，其底层仍依赖InSAR的相位模型和TomoSAR的谱估计框架，深度学习更多扮演了正则化器或后处理器的角色。笔者认为，这种“物理为体、数据为用”的混合范式将在未来五年内主导SAR三维成像的研究前沿，而完全端到端的“黑箱”式三维重建，在安全性攸关的遥感应用中仍面临信任危机。

从更宏观的视角审视，SAR三维成像的演进与人工智能领域“知识驱动”与“数据驱动”的百年之争遥相呼应。早期TomoSAR依赖多重信号分类（MUSIC）、旋转不变技术估计信号参数（ESPRIT）等子空间方法，这些方法建立在严格的点散射模型假设之上，物理意义清晰但适应性有限。压缩感知（Compressed Sensing, CS）的引入打破了奈奎斯特采样定理的限制，使得从稀疏基线中恢复超分辨高程剖面成为可能。而近年来，深度展开网络（Deep Unfolding Network）将迭代优化算法的每一步映射为网络层，在保持一定可解释性的同时获得了数据驱动的性能增益。这一脉络折射出一个深刻的技术哲学问题：在追求极致性能的道路上，我们愿意牺牲多少物理可解释性？

2. SAR三维成像的物理基石与病态性根源

2.1 干涉相位的几何本质与高程反演模型

SAR三维成像的物理基础植根于电磁波干涉测量原理。当两副天线（或同一副天线在不同时间）以微小视角差观测同一地物时，所接收回波之间的相位差与目标到两天线的波程差成正比。这一基本关系可表述为：

其中Δφ为干涉相位，λ为雷达波长，B_⊥为垂直基线分量，h为目标高程，R为斜距，θ为入射角。这一简洁的数学模型揭示了InSAR高程测量的核心——相位差是高程信息的载体，而基线长度和几何构型决定了高程测量的灵敏度。然而，该模型的成立依赖于一个关键假设：每个分辨单元内仅存在一个主导散射中心。当这一假设在复杂场景中失效时，干涉相位将表现为多个散射体贡献的矢量叠加，其物理意义变得模糊不清。

笔者认为：InSAR模型的优雅简洁恰恰构成了其根本局限。它将三维世界强行投射到二维相位图上，本质上是一种“降维解译”。这种降维在自然地形（连续表面）中尚可接受，但在人工建筑（立面与地面叠加）、森林冠层（体散射与地面散射混叠）等场景中，相位解译的模糊性成为制约精度的根本瓶颈。事实上，永久散射体干涉测量（PS-InSAR）技术之所以成功，正是因为它主动筛选了那些满足“单散射中心”假设的稳定像元，从而规避了模型失配问题。

2.2 层析SAR的信号模型与病态逆问题

层析SAR将三维成像问题形式化为沿高度向的谱估计问题。对于同一目标场景的N次重复轨道观测（每次观测对应一个不同的入射角），经过精确配准和相位补偿后，某一距离-方位分辨单元内的复观测向量可表示为：

其中y ∈ ℂ^N为观测向量，A(s)为依赖于高度向采样位置s的导向矩阵，γ为待估计的散射系数剖面，n为加性噪声。这一模型将三维重建转化为从有限个非均匀采样中恢复连续或离散散射剖面的逆问题。问题的病态性源于两个方面：其一，轨道数量N通常远小于期望的高度向分辨单元数（欠定问题）；其二，实际星载SAR系统的基线分布往往不均匀且稀疏，导致观测矩阵的条件数较大。

以当前在轨的TerraSAR-X/TanDEM-X双星系统为例，其提供的基线数量通常为数十条，而城市区域单分辨单元内可能包含3-5个甚至更多的叠掩散射体。根据Donoho和Candès等人建立的压缩感知理论，当信号在某个变换域具有稀疏表示时，从远少于奈奎斯特采样数的观测中精确恢复信号是可能的。TomoSAR恰好满足这一前提：高度向散射剖面在多数自然和人造场景中呈现稀疏特性，即仅少数离散高度位置存在显著散射贡献。

2.3 基线几何与高度向分辨率的制约关系

层析SAR的高度向分辨率由基线总跨度决定，遵循与方位向合成孔径类似的原理：

其中ΔB为有效基线总跨度。这一公式揭示了TomoSAR的一个核心权衡：更高的高度向分辨率要求更大的基线跨度，但过大的基线会导致空间去相关，降低干涉相干性，从而恶化相位质量。对于典型的C波段星载SAR系统（如Sentinel-1，波长约5.6cm），若要求2m的高度向分辨率，在斜距800km的条件下，所需基线跨度约为11.2km，这在实际轨道控制中面临显著挑战。

表1汇总了当前主要星载SAR系统的TomoSAR三维成像能力参数（数据来源：各任务技术文档及公开发表文献的整合数据）。

从表1可以看出，X波段系统因其短波长特性，在相同基线跨度下可获得更优的高度向分辨率，但同时也面临更严重的时间去相关挑战。L波段系统虽然分辨率较低，但其穿透能力和时间稳定性在植被和冰川监测中具有独特优势。笔者认为，未来星载TomoSAR系统的设计不应单纯追求分辨率指标，而应根据应用需求在波段、基线构型和重访周期之间寻求最优折衷。

3. 层析SAR谱估计：从经典超分辨到压缩感知的演进

3.1 傅里叶变换与瑞利分辨率极限

最直观的TomoSAR重建方法是逆傅里叶变换（IFT），即将多基线观测视为高度向频谱的非均匀采样，通过傅里叶反演获得散射剖面。这一方法计算简单、无需参数调节，但其高度向分辨率受限于瑞利准则：ρ_s = λR/(2ΔB)。当实际散射体的高程间距小于此分辨率时，IFT重建结果将呈现为一个展宽的单一峰值，无法区分多个散射体。

波束形成（Beamforming）方法通过导向矢量加权在一定程度上抑制了旁瓣，但本质上并未突破瑞利极限。Capon自适应波束形成器通过数据依赖的权重优化提高了分辨率，但其性能对协方差矩阵估计误差极为敏感。在样本数量有限（实际TomoSAR中每个像元仅有一个观测向量）的情况下，需借助同质像元平均来估计协方差矩阵，这又引入了空间分辨率损失。

3.2 子空间方法：MUSIC与ESPRIT的辉煌与局限

20世纪80年代发展起来的子空间方法为TomoSAR超分辨重建开辟了新途径。MUSIC算法通过特征分解将观测空间划分为信号子空间和噪声子空间，利用两者的正交性构造伪谱，在散射体数量已知的条件下可实现远超瑞利极限的分辨能力。ESPRIT算法则利用信号子空间的旋转不变性直接估计散射体位置，避免了伪谱搜索的计算开销。

然而，子空间方法在TomoSAR应用中面临两个核心挑战。其一，散射体数量估计——MUSIC和ESPRIT的性能高度依赖于正确的模型阶数选择，而实际场景中散射体数量未知且空间变化。信息论准则（AIC、MDL）在高斯白噪声假设下提供了理论指导，但在TomoSAR的乘性噪声和空间相关噪声环境中，其可靠性显著下降。其二，相干源问题——当多个散射体高度相关（如来自同一建筑的不同反射面）时，信号协方差矩阵的秩亏导致子空间方法性能退化甚至失效。空间平滑技术可缓解此问题，但以牺牲有效基线数量为代价。

本文评述：子空间方法代表了SAR三维成像中“物理模型驱动”范式的巅峰。它们从严格的数学原理出发，提供了优雅的超分辨机制。然而，现实世界的复杂性——非理想散射、非高斯噪声、模型阶数未知——使得这些方法在工程实践中需要大量的经验性调整。笔者认为，子空间方法的真正遗产不在于其作为操作工具的持久性，而在于它为后续压缩感知和深度学习方法提供了理论基准和性能上界。

3.3 压缩感知与稀疏重建：SL1MMER及其变体

压缩感知理论为TomoSAR提供了全新的数学框架。通过将高度向散射剖面建模为稀疏信号，可将三维重建转化为ℓ₁范数正则化的优化问题：

Zhu和Bamler（2010, IEEE TGRS）提出的SL1MMER（Scale-down by L1 norm Minimization, Model selection, and Estimation Reconstruction）算法是这一方向的里程碑工作。该算法将TomoSAR重建分解为三个步骤：ℓ₁范数最小化获得初步稀疏解；模型阶数选择剔除虚假散射体；最终通过最小二乘估计精化散射体参数。在TerraSAR-X实测数据上的实验表明，SL1MMER可实现优于瑞利分辨率2-5倍的超分辨能力（Zhu & Bamler, 2010，模拟数据验证）。

然而，SL1MMER及其变体（如基于SL0的平滑ℓ₀范数方法、基于贝叶斯压缩感知的方法）仍面临若干挑战。正则化参数λ的选择对重建结果影响显著，目前缺乏普适的自适应选择策略。此外，当散射体在高度向上呈现连续分布（如森林冠层的体散射）时，稀疏假设不再成立，压缩感知方法的性能可能劣于传统的波束形成方法。

3.4 非线性重建与全变分正则化

针对稀疏假设在连续散射场景中的局限，研究者引入了全变分（Total Variation, TV）正则化等非线性重建方法。TV正则化鼓励重建剖面在保持边缘的同时具有分段常数特性，更适用于城市建筑等具有明确几何边界的场景。联合ℓ₁-TV的混合正则化框架可同时处理离散点散射体和连续面散射体，代表了物理模型驱动方法向更复杂场景的适应性拓展。

4. 微波视觉三维成像：深度学习的介入与思辨

4.1 从“计算成像”到“微波视觉”的概念跃迁

“微波视觉”这一概念由中国科学院空天信息创新研究院的研究团队在近年提出（Ding et al., 2021, 雷达学报），其核心思想是将计算机视觉领域的表征学习能力与SAR的物理成像机制相融合，使雷达系统不仅能“成像”，更能“理解”三维场景的几何与语义属性。这一概念超越了传统“计算成像”仅关注信号重建的技术定位，将目标设定为端到端的场景认知。

本文评述：“微波视觉”的提出标志着SAR三维成像研究从“信号处理问题”向“人工智能问题”的范式迁移。然而，笔者认为需要警惕概念泛化带来的技术空心化风险。如果“微波视觉”仅是将现有深度学习模型应用于SAR数据而缺乏对微波散射机制的深刻理解，那么它可能沦为“深度学习在SAR中的应用”这一旧酒的新瓶。真正的微波视觉应体现在对电磁散射物理规律的尊重和利用上——例如，将几何光学近似、物理光学模型或积分方程模型（IEM）嵌入网络设计。

4.2 深度展开网络：物理模型与数据驱动的桥梁

深度展开（Deep Unfolding）网络是当前SAR三维成像研究中物理-数据协同范式的典型代表。其基本思想是将迭代优化算法（如ISTA、ADMM）的每一次迭代展开为网络的一层，将算法中的可调参数（如步长、正则化权重）转化为可学习的网络参数。这种设计保留了优化算法的结构骨架，同时赋予网络从数据中学习最优参数的能力。

在TomoSAR应用中，基于ISTA展开的网络（如ISTA-Net）将ℓ₁范数软阈值操作替换为可学习的非线性收缩函数，在保持稀疏诱导能力的同时提高了对非理想稀疏信号的适应性。Wang等人（2022, IEEE TGRS）提出的TomoSAR-Net在模拟数据和TerraSAR-X实测数据上均展示了优于传统压缩感知方法的重建精度，尤其在低信噪比条件下优势更为显著（模拟数据，SNR=5dB时NMSE降低约35%）。

笔者认为：深度展开网络的成功在于它找到了物理模型与数据驱动之间的“甜蜜点”——既不放弃对成像物理的建模，又充分利用了数据的统计规律。这种“灰箱”范式比完全的黑箱端到端网络更值得信赖，也比纯物理模型更具适应性。然而，当前深度展开网络的设计仍高度依赖对原始优化算法的选择，网络架构的创新空间受限于已有的迭代算法框架。如何突破这一限制，设计原生支持物理约束的新型网络架构，是值得深入探索的方向。

4.3 生成模型与三维体素重建

另一条技术路线是将SAR三维成像视为三维体素（Voxel）的生成问题，利用生成对抗网络（GAN）、变分自编码器（VAE）或扩散模型（Diffusion Model）从二维SAR影像中直接生成三维散射分布。这类方法借鉴了计算机视觉中单视图三维重建的成功经验，试图学习二维观测到三维结构的映射关系。

然而，SAR三维生成面临独特的挑战。光学图像中的三维重建可依赖纹理、阴影和透视等视觉线索，而SAR影像的灰度变化主要反映介电常数和表面粗糙度的差异，与三维几何的关联更为间接。此外，SAR影像中的叠掩现象使得二维-三维映射本质上一对多，增加了学习的不确定性。Rambour等人（2020, IEEE TGRS）利用条件GAN从单视SAR影像重建建筑三维模型，在模拟数据集上取得了令人鼓舞的结果，但泛化到真实场景时性能显著下降。

4.4 自监督学习与物理信息神经网络

标注数据的稀缺性是制约监督学习在SAR三维成像中应用的关键瓶颈。与光学图像不同，SAR三维成像的真值（Ground Truth）极难获取——LiDAR点云可作为几何参考，但无法提供电磁散射特性的三维分布。自监督学习和物理信息神经网络（PINN）为缓解这一困境提供了新思路。

物理信息神经网络将描述SAR成像过程的物理方程（如麦克斯韦方程组的近似形式、雷达方程）作为损失函数的一部分，使网络在训练过程中自动满足物理约束，减少对标注数据的依赖。在TomoSAR重建中，可将观测模型一致性作为无监督损失，仅需少量或无需真值数据进行训练。这一方向代表了“物理模型驱动与数据驱动协同”的深层融合——物理模型不再仅是网络设计的灵感来源，而是直接参与训练过程的约束条件。

5. 分布式散射体与极化信息的融合利用

5.1 永久散射体与分布式散射体的二元划分

SAR三维成像中的散射体可划分为两类：永久散射体（Permanent Scatterer, PS）和分布式散射体（Distributed Scatterer, DS）。PS对应于在长时间序列中保持高相干性的点状目标（如建筑墙角、金属结构），其相位稳定，有利于高精度形变监测。DS则对应于分辨率单元内包含大量随机分布子散射体的面状目标（如裸土、植被、道路），其相位在时间上快速去相关，但统计特性在空间上具有一定同质性。

传统PS-InSAR技术仅利用PS点进行形变分析，在城市区域可获得高密度测量点，但在非城市区域点密度急剧下降。Ferretti等人（2011, IEEE TGRS）提出的SqueeSAR算法通过自适应同质像元识别和相位优化，将DS纳入处理框架，显著提升了非城市区域的测量点密度。这一思想被后续研究扩展到TomoSAR三维成像中，形成了PS/DS联合层析处理方法。

5.2 极化信息的维度扩展

极化SAR通过发射和接收不同极化组合的电磁波，获取目标的极化散射矩阵，从而丰富了对地物散射机制的描述能力。在TomoSAR三维成像中引入极化信息（Pol-TomoSAR），可将高度向散射剖面的估计从单通道扩展为多通道联合估计，利用不同极化通道之间的统计相关性提高重建精度。

极化信息对TomoSAR的增益体现在两个层面。其一，不同极化通道对同一散射体的响应不同——例如，奇次散射（如地面直接反射）在HH和VV通道中表现相似，而偶次散射（如建筑墙面-地面二次反射）在HV通道中更为显著。这种差异化为分离高度向重叠的不同散射机制提供了额外信息。其二，多极化观测增加了等效样本数量，改善了协方差矩阵估计质量，从而提高了子空间方法和压缩感知方法的稳定性。

Sauer等人（2011, IEEE TGRS）利用Pol-TomoSAR技术对德国Oberpfaffenhofen地区的机载E-SAR数据进行了处理，成功分离了森林冠层和地面散射的高度向分布，验证了极化信息在体散射场景三维重建中的价值。然而，笔者认为，极化信息的引入也增加了系统复杂度和数据需求量。对于星载系统，全极化成像通常以牺牲幅宽或分辨率为代价，在实际任务规划中需要仔细权衡。

6. 多基线相位解缠与几何定标技术

6.1 多基线相位解缠的固有模糊性

相位解缠是InSAR/TomoSAR处理链中的关键步骤。由于干涉相位被限制在[-π, π)区间内，真实相位与缠绕相位之间存在2π的整数倍模糊。单基线相位解缠依赖相位连续性假设，在地形陡变或低相干区域容易出错。多基线相位解缠利用不同基线长度对应的不同相位灵敏度，可在一定程度上缓解模糊性问题。

经典的多基线相位解缠方法包括中国余数定理（CRT）方法和最大似然估计方法。CRT方法通过选择合适的基线比（通常为互质整数），理论上可从缠绕相位中唯一恢复绝对相位。然而，实际系统中的噪声和去相关使得CRT方法的鲁棒性不足。最大似然方法将相位解缠形式化为统计估计问题，在高信噪比条件下性能优良，但计算复杂度较高。

近年来，深度学习被引入相位解缠领域。基于卷积神经网络的相位解缠方法（如PhaseNet）通过学习缠绕相位到绝对相位的映射，在模拟数据上展示了优于传统方法的精度和速度。然而，本文评述：深度学习相位解缠在真实SAR数据上的泛化能力仍存疑。模拟数据中的噪声模型往往过于简化，无法充分反映真实SAR系统中的乘性噪声、空间相关噪声和大气相位延迟等复杂因素。笔者认为，将物理模型（如大气相位屏模型）嵌入网络训练过程，是提高泛化能力的关键。

6.2 几何定标与三维定位精度

SAR三维成像的最终产品是带有绝对地理坐标的三维点云或体素模型。从相对高程到绝对定位的转换依赖于精确的几何定标，包括轨道参数精化、大气延迟校正和系统延迟标定。对于星载TomoSAR，轨道精度是制约三维定位精度的主要因素之一。以Sentinel-1为例，其精密定轨（POD）产品的径向精度约为5cm（ESA, 2020），这一误差在干涉相位中表现为缓变的轨道误差条纹，需要通过多项式拟合等方法予以去除。

角反射器和主动雷达定标器是几何定标的重要地面控制手段。通过在成像区域内布设已知精确坐标的角反射器，可建立SAR影像坐标与地理坐标之间的转换关系，并对系统延迟进行标定。然而，角反射器的布设和维护成本较高，限制了其在广域定标中的应用。基于自然地物（如建筑物边缘、道路交叉口）的无控制点定标方法正在发展中，但其精度通常低于有控制点方法。

7. 面向6G通感一体化的SAR三维成像新范式

7.1 通感一体化：通信与感知的频谱共享

第六代移动通信（6G）系统将通信与感知的深度融合作为核心愿景之一。在这一框架下，通信基站和终端设备同时具备环境感知能力，利用通信信号进行成像、定位和跟踪。SAR三维成像技术——尤其是基于多输入多输出（MIMO）阵列的近场三维成像——与6G通感一体化在技术基础上高度重合。

毫米波和太赫兹频段是6G通信的候选频段，同时也是高分辨率SAR成像的理想频段。在这些频段上，较小的波长使得在有限孔径内实现高角度分辨率成为可能，有利于小型化平台的三维成像。然而，高频段的大气衰减和器件成本仍是工程化的主要障碍。根据ITU-R的预测报告（2023），100GHz以上频段的大气衰减在特定窗口（如94GHz、140GHz、220GHz）相对较低，可作为通感一体化成像的优选频段。

7.2 MIMO阵列与近场三维成像

MIMO雷达通过多个发射和接收天线的组合形成虚拟阵列，以较少的物理阵元获得较大的等效孔径。在近场条件下，球面波前假设取代了远场的平面波近似，使得通过单次快拍即可获得目标的三维空间信息。这一特性使得MIMO近场三维成像特别适用于室内定位、自动驾驶和无人机避障等6G应用场景。

与传统星载TomoSAR依赖多次通过的合成孔径不同，MIMO近场三维成像通过空间分集实现单次快拍三维重建，避免了时间去相关和多基线配准的难题。然而，近场成像的距离徙动校正和球面波聚焦算法比远场处理更为复杂，且分辨率随距离增加而迅速下降。

笔者认为：6G通感一体化将为SAR三维成像带来两个层面的范式变革。在技术层面，大规模MIMO阵列和毫米波/太赫兹频段将突破传统SAR在分辨率和时效性上的瓶颈。在应用层面，三维成像将从专业遥感领域扩展到消费级应用，这对算法的实时性、鲁棒性和低成本实现提出了全新要求。然而，通信与感知在频谱资源、功率分配和波形设计上的竞争关系需要系统级的协同优化，这也是当前通感一体化研究的核心挑战之一。

8. 数据集构建与实验验证体系

8.1 现有SAR三维成像数据集综述

高质量数据集是推动SAR三维成像算法发展的基石。然而，与光学三维重建领域拥有ShapeNet、KITTI等大规模公开数据集不同，SAR三维成像领域的数据集建设相对滞后。这主要受限于SAR数据的获取成本、标注难度以及涉密限制。表2汇总了当前主要的SAR三维成像相关数据集。

8.2 模拟数据与真实数据的鸿沟

当前SAR三维成像研究中的一个显著问题是模拟数据与真实数据之间的性能鸿沟。许多深度学习方法在模拟数据上表现优异，但在真实SAR数据上的泛化能力不足。造成这一鸿沟的原因包括：模拟中使用的简化散射模型（如理想点散射体）无法充分反映真实地物的复杂电磁散射特性；模拟噪声模型通常假设为加性高斯白噪声，而真实SAR噪声具有乘性和空间相关性；模拟难以复现真实系统中的轨道误差、大气扰动和系统非理想性。

笔者认为：弥合模拟-真实鸿沟需要双向努力。在模拟端，应采用更精确的电磁散射模型（如基于物理光学或矩量法的散射计算）和更真实的系统误差模型。在算法端，应发展域适应（Domain Adaptation）和域泛化（Domain Generalization）技术，使在模拟数据上训练的模型能够迁移到真实数据。此外，建立标准化的SAR三维成像评估基准（Benchmark）对于客观比较不同方法的性能至关重要。

9. 结论与展望

本文以“物理模型驱动与数据驱动协同演化”为核心分析主线，系统梳理了SAR微波视觉三维成像从干涉测量、层析谱估计到深度学习智能感知的技术演进脉络。通过剖析TomoSAR的病态逆问题本质、压缩感知的稀疏性假设及其局限、深度展开网络的物理-数据协同机制，以及生成式三维重建的幻觉风险，本文试图呈现一个兼具理论深度与工程洞察的技术全景。

笔者认为，SAR三维成像的未来发展将呈现以下趋势：

1. 物理-数据协同范式的深化：深度展开网络和物理信息神经网络代表了这一方向的前沿，未来将出现更多将电磁散射模型、几何光学近似与深度学习架构原生融合的方法。
2. 多模态融合的三维认知：SAR三维信息与光学影像、LiDAR点云、GIS矢量数据的多模态融合，将从单纯的几何重建迈向语义赋能的场景理解。
3. 通感一体化带来的新机遇：6G通信感知一体化将为SAR三维成像提供前所未有的平台、频谱和计算资源，推动三维成像从专业应用走向大众市场。
4. 可解释性与安全性的坚守：在追求极致性能的同时，SAR三维成像作为安全攸关技术，必须保持对物理可解释性的基本坚守，避免黑箱模型在关键应用中的不可控风险。

SAR微波视觉三维成像正处于从“技术成熟期”向“应用爆发期”过渡的关键阶段。随着星载SAR星座的密集部署（如ICEYE、Capella、Umbra等商业SAR星座已实现数十颗卫星在轨运行）、地面处理能力的指数增长以及人工智能技术的持续突破，三维SAR成像有望在未来十年内成为对地观测的基础性能力，为数字孪生城市、全球变化监测和自主导航提供不可或缺的三维空间信息支撑。

主要参考文献

（注：本文共引用参考文献及相关资料逾60篇，其中2021-2024年文献占比超过50%。限于篇幅，正文仅列出9篇主要参考文献。完整文献列表可联系笔者获取。）