May, 2017

通过学习深度残差网络提高多光谱图像全色增强的准确性

PDF
TL;DR本文提出了一种采用残差学习构建非常深的卷积神经网络来实现全面利用深度学习模型的高非线性性的方法，经过大量高质量多光谱图像的定量和视觉评估，证明我们提出的模型优于比较中包括所有主流算法，达到了最高的空间光谱一致性精度。
pan-sharpeningdeep neural networksresidual learningconvolutional neural networkmulti-spectral images
发现论文，激发创造
  • 利用卷积神经网络对多光谱卫星图像进行超分辨率处理

    本文提出一种使用 CNN 训练的方法，通过低分辨率的多光谱和高分辨率的全色图像瓦片对来创建超分辨率分析图像，其中 RedNet30 架构表现最佳。

    Feb, 2020

  • 用于遥感影像全色增强的多尺度和多深度卷积神经网络

    本研究提出了一种名为 MSDCNN 的多尺度和多深度卷积神经网络用于遥感影像的 pan-sharpening 任务，该网络通过卷积神经网络的多尺度特征提取和残差学习来实现非线性关系的有效建模，实验结果表明，与其他先进方法相比，MSDCNN 可以获得质量更高的图像。

    Dec, 2017

  • 深度梯度投影网络用于全色影像锐化

    本文提出了一种基于模型的深度全色增强方法，通过将两个优化问题分别用于全色图像和低分辨率多光谱图像的生成模型，再使用梯度投影算法求解，最后通过交替堆叠两个网络块构建了一种新的网络，称为梯度投影全色增强神经网络，实验结果表明该网络在不同类型的卫星数据集上表现优于现有方法。

    Mar, 2021

  • 基于无监督深度学习的波段融合技术与频谱空间保真度的联合增强

    最近几年，深度学习在多分辨率图像泛光提升中起着主导作用。本文提出了一种基于深度学习的全分辨率训练框架，通过定义适当的损失函数和训练方法，充分发挥了这种方法的潜力，提供了先进的性能。实验证明，该方法在数值结果和视觉输出方面与现有技术相比具有显著优势。

    Jul, 2023

  • SDRCNN：一种单尺度密集残差连接卷积神经网络用于全色增强

    该研究开发了一种名为 SDRCNN 的新型单分支、单规模轻量级卷积神经网络，用于对卫星传感器获取的不同分辨率多光谱图像信息进行融合处理，并与其他方法进行了比较，结果表明 SDRCNN 方法在处理时间、空间细节和光谱扭曲方面均表现优于比较方法。

    Jul, 2023

  • PanBench：高分辨率和高性能全色融合

    提出了使用高分辨率多场景数据集 PanBench 和级联多尺度融合网络（CMFNet）进行高保真度的 Pansharpening，通过对 CMFNet 进行大量实验证实其有效性，并开放了数据集、源代码和预训练模型以促进遥感领域的进一步研究。

    Nov, 2023

  • PanFlowNet: 用于全色融合的基于流的深度网络

    本文提出一种基于流的 PanFlowNet 网络，通过学习给定 LRMS 图像和 PAN 图像的 HRMS 图像的条件分布，来生成多样的高分辨率多光谱图像。实验结果表明，与其他现有方法相比，PanFlowNet 在可视化和定量方面具有更好的性能。

    May, 2023

  • 基于双流融合网络的遥感图像融合

    本文提出了一种名为 TFNet 的双流融合网络，通过卷积神经网络在特征级别上融合高分辨率全色相红外图像和低分辨率多光谱图像来解决遥感图像融合问题，并通过实验验证了该方法的有效性。

    Nov, 2017

  • 基于 CNN 模型传播的波段级高光谱图像融合

    提出了一种新的深度学习方法，该方法在每个波段中通过基于先前波段调整的模型进行泛光锐化，适应性和灵活性都得到了改善，并且无需具有固定数量的光谱波段和大量昂贵的标记训练数据集。该方法在数据集上取得了非常好的结果，优于传统方法和深度学习方法。

    Nov, 2023

  • 学习使用扩张残差网络去噪合成孔径雷达图像

    本文提出了一种基于深度学习的非线性端到端映射方法 SAR-DRN 来破解传统线性模型在合成孔径雷达（SAR）图像去斑方面的局限性，并通过定量和可视化评估表明所提出的方法在去除强斑点噪声方面具有明显优势。

    Sep, 2017