Jun, 2021

基于条件像素合成的卫星图像时空超分辨率

PDF
TL;DR通过丰富、廉价、低分辨率的卫星图像，提出一种新的条件像素合成模型，生成准确的高分辨率图像，以帮助解决高分辨率图像采集不足和成本过高等问题；该模型能够用于改善物体计数等重要应用，特别是在地理条件快速变化的地区。
high-resolution imagerysatellite imagerypixel synthesis modelobject countinglow-resolution imagery
发现论文，激发创造
  • 像素递归超分辨率

    该论文提出了一个像素递归超分辨率模型，可综合提高图像的分辨率并增强其真实感；该模型能够表示多模态条件分布，使用 PixelCNN 结构定义自然图像的先验知识并联合优化条件卷积网络，保持了照片的真实感。

    Feb, 2017

  • 卫星影像快速超分辨率的深度与非深度方法融合

    该论文提出通过超分辨率提高卫星图像的质量并降低成本。作者设计了一种框架以分析每个低分辨率图像补丁的区域信息内容，并明智地选择在图像上超分辨率更富有结构的区域上使用更复杂的深层模型，而在非显著区域上使用不使用深层模型的低资源密集型方法，从而在保证性能的同时降低了推断时间。

    Aug, 2020

  • GeoSynth: 上下文感知高分辨率卫星图像合成

    GeoSynth 是一个模型，用于合成具有全球风格和图像驱动的布局控制的卫星图像，通过文本提示或地理位置进行全球风格控制，可以使用场景语义或区域外观，通过在大量成对卫星图像、带自动生成标题和 OpenStreetMap 数据的数据集上训练该模型，在包括不同类型的布局控制在内的控制输入方面进行评估，结果表明我们的模型可以生成多样化、高质量的图像，并展示出优异的零次泛化能力。

    Apr, 2024

  • 交叉传感器不规则采样 Sentinel-2 时间序列的超分辨率

    通过使用多张卫星图像，本研究提出了一种针对 Sentinel-2 时间序列的多图像超分辨率重建算法，并展示了多图像对超分辨率性能的显著改善，同时探讨了光谱保真度和感知质量之间的权衡关系。

    Apr, 2024

  • 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

  • 尺度下的细粒度估计近邻社区福祉：基于高分辨率正射影像和混合学习

    通过高分辨率航拍图像，利用监督卷积神经网络和基于视觉词袋的半监督聚类方法，从公开可获取的城市图像准确估计美国各地区的人口密度、家庭收入中位数和教育水平，并开拓用于地理概括和无需标记数据的细粒度信息估计的新的半监督方法。

    Sep, 2023

  • 使用游戏引擎和机器学习创建合成卫星图像进行桌面验证练习

    利用现代游戏引擎和先进的机器学习技术生成合成图像，以支持通过新的卫星星座和极短重访时间实现的验证能力的简单监控方案的桌面推演的有用性。

    Apr, 2024

  • 放大放大：进一步发展遥感超分辨率

    该论文提出了一种针对超分辨率的新度量标准 CLIPScore，并使用该标准在多个数据集上评估了四种标准方法，发现生成对抗网络在语义准确性上优于传统的 L2 损失模型和现代扩散模型，同时将 CLIPScore 作为辅助损失可加快 GANs 的训练速度 18 倍，并改进输出结果，从而在世界各地的多样地理环境中得到有效的模型。

    Nov, 2023

  • 利用卫星图像理解和推广可持续发展

    本文综合研究了使用卫星图像和机器学习了解可持续发展领域期间所面对的挑战，以及如何将二者有机结合，细致测量各类相关数据，从而量化模型表现，并探讨该研究领域的未来发展。

    Sep, 2020

  • EnhanceNet: 自动纹理合成的单图像超分辨率

    该研究提出了一种基于自动纹理合成及感知损失的单张图像超分辨率增强方法，利用卷积神经网络实现前馈学习与对抗训练相结合，取得了高效、有效的成果。

    Dec, 2016