Para resolver o problema da escassez de dados anotados de alta qualidade na percepção sonar subaquática, foi estabelecido um método de síntese de imagens sonar baseado em um modelo de difusão guiado fisicamente e com restrições estruturais, usado para a síntese cross-modal da sensoriamento remoto óptico para imagens sonar. Os métodos atuais baseados em modelos de difusão geralmente focam em imagens ópticas gerais e, ao lidar com a tarefa cross-modal do óptico para o sonar, frequentemente ignoram o mecanismo de formação do sonar, causando a degradação das características acústicas e o colapso da estrutura geométrica. Por isso, foi construído um módulo de alinhamento de ruído no domínio da frequência e injeção de priori acústicos, incorporando a distribuição real da textura do sonar e os priori físicos de sombras e brilhos na fase inicial da remoção de ruído por difusão; simultaneamente, foi introduzido um mecanismo de atenção com restrições estruturais, aplicando uma estratégia diferenciada de transferência de estilo para as áreas alvo e de fundo, gerando características acústicas realistas enquanto preserva o contorno geométrico e a estrutura posicional do alvo, realizando a transferência direta das etiquetas ópticas. Os resultados experimentais mostram que o método é superior em autenticidade acústica e estrutura do alvo. O uso dos dados gerados para auxiliar no treinamento do detector YOLOv8 aumentou a média de precisão mAP50-95 no intervalo de 0,50 a 0,95 de 0,724 para 0,771. O método estabelecido oferece uma solução de engenharia prática para aliviar o problema da escassez de dados na percepção sonar subaquática.

síntese de imagens sonar; geração cross-modal; modelos de difusão; aumento de dados; percepção de alvos subaquáticos