Jun, 2020

基于 GAN 的指导式全色影像上色 CNN 算法反思

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 基于细节注入的卷积神经网络全色增强

    本文提出了一种基于 detail injection 的 CNN 框架，用于将多光谱（MS）图像与相关全色（PAN）图像进行融合，实现具有前者光谱分辨率和后者空间分辨率的复合图像，其提供了明确的物理解释，并可快速收敛，同时达到高质量的泛洒效果。

    Jun, 2018

  • 面向目标自适应的基于 CNN 的全色增强

    本文探究了基于卷积神经网络进行遥感图像全色增色的各种不同架构和训练变化，提出了一种目标自适应使用模式，并开发了一种可在通用硬件上快速进行高质量 CNN 基础全色增色的软件工具。

    Sep, 2017

  • PSGAN：一种用于遥感图像全色增强的生成对抗网络

    本文提出 PSGAN，一种基于深度神经网络的遥感图像全色增强方法，旨在生成高质量的全色增强图像。通过试验和分析，它优于目前的主要解决方案，并且可以很好地推广到全尺寸图像。

    May, 2018

  • 通过生成对抗网络实现无监督多样化着色

    本文介绍了一种使用条件生成式对抗网络解决无监督多样化上色问题的方法，并在 LSUN 卧室数据集上表现出高竞争性和高可信度的着色结果。

    Feb, 2017

  • 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

  • 一种 SAR 彩色化的基准化协议：从回归到深度学习方法

    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

  • 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

  • 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

  • FGF-GAN: 基于快速引导滤波器的轻量级生成对抗网络用于全色图像增强

    本文提出了一种基于生成对抗网络和快速引导滤波器的全色融合技术，通过替代传统的通道拼接方法，保留了空间信息并减少了参数数量，在融合过程中可以突出关键信息。同时，经过对抗训练，特征的潜在信息得以有效保留，并生成了高质量的高分辨率多光谱图像。

    Dec, 2020