使用 CNN 从 SAR 图像生成高质量可见光图像
本研究提出了一个 VHSR SAR 图片数据库,并且探讨了基于补丁的城市和城市周边区域分类。使用大型 CNN 分类模型和预训练网络来确定有效性,此外还运用生成对抗网络来生成数据测试数据对分类精度的影响。
Nov, 2017
本研究提出了一种基于深度学习的方法,即图像去斑卷积神经网络(ID-CNN),用于自动从输入的噪声图像中去除斑点。它使用一组卷积层、批量归一化和修正线性单元激活函数以及分量分裂残差层来估计斑点,并使用欧几里得损失和总变分损失的组合进行端到端的训练,与现有的非常规斑点降噪方法相比,在合成和实际 SAR 图像上都取得了显著的改进效果。
Jun, 2017
本文提出了一种卷积神经网络方法,以提高移动设备中在近场条件下智能手机合成孔径雷达成像的超分辨率,具有高效率、高分辨率的雷达成像能力。
May, 2023
我们提出了一个以有监督学习为基础的合成孔径雷达图像 SAR 彩色化研究线路,包括生成合成彩色 SAR 图像的协议、几个基线模型以及基于条件生成对抗网络 (cGAN) 的 SAR 彩色化有效方法。我们还提出了问题的数值评估指标。据我们所知,这是首次尝试提出一个包括协议、基准测试和完整性能评估的 SAR 彩色化研究线路。我们广泛的测试表明,我们提出的基于 cGAN 的网络在 SAR 彩色化方面具有有效性。代码将公开发布。
Oct, 2023
利用卷积神经网络学习判别模型以去噪 SAR 图像,该网络采用残差学习策略,训练时考虑多时相 SAR 图像及其多视版本,实验结果表明,与现有技术相比,该方法表现更好。
Apr, 2017
本文提出了一个基于伪孪生卷积神经网络的多源图像对应关系识别方法,通过深度学习和数据融合技术,在保证高精度的同时实现了快速准确的卫星图像匹配。
Jan, 2018
本文提出了一种新的自监督学习框架,将 Pansharpening 看作是一个彩色化问题,并在模型训练中引入噪声注入和对抗性训练,通过提高神经网络的分辨率实现卫星图像 Pansharpening 的高质量输出。
Jun, 2020
通过引入生成对抗网络(GANs)的创新方法,我们提出了一种合成医学图像的方法,通过深度卷积神经网络(CNNs)架构的生成器和鉴别器网络以及对抗训练方法,即使在有限的真实医学图像数据训练下,也能生成逼真的合成图像,并成功模拟了真实医学图像的结构和纹理特征。
May, 2024
本研究介绍一种基于深度卷积生成对抗网络的图像生成方法,能够使用少于两千张图像实现高分辨率(最大 1024x1024 像素)的真实感图像生成,未来可应用于计算机图形学和视觉效果。
May, 2017