Apr, 2023

利用探测器重叠进行 Sentinel-2 L1B 遥感图像的无监督超分辨率

PDF
TL;DR本文提出了一种基于深度学习的单图像超分辨率和波段对齐方法，通过自监督学习方法直接在 Sentinel-2 L1B 数据上进行训练，使用新型的交叉光谱注册网络实现波段对齐，避免了缺乏可靠的高分辨率地面真值的问题，并证明了该方法在合成和现实数据上的性能与监督方法相当。
high-resolution satellite imagerysuper-resolution algorithmsdeep learningground truthband alignment
发现论文，激发创造
  • 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

  • 用于 Sentinel-2 图像融合的全分辨率训练框架

    提出了一个新的无监督框架，用于通过融合 10 米和 20 米波段的 Sentinel-2 图像实现超分辨率的深度学习模型训练。通过避免分辨率降级过程，该方案能够避免在有监督情况下生成训练数据。另外，我们提出了一种合适的损失函数，考虑了网络预测和待融合输入组件之间的循环一致性。尽管它是无监督的，但在我们的初步实验中，该方案与有监督方法相比，已经显示出有希望的结果。此外，通过构建提出的损失函数，所得到的训练网络可以归类为多分辨率分析方法。

    Jul, 2023

  • 面向真实世界的单张图像超分辨率：新的基准和新的模型

    本文提出了一种基于 Laplacian 金字塔的核预测网络（LP-KPN）来恢复高分辨率图像，通过使用实际拍摄的 LR-HR 图像对构建 RealSR 数据集，证明了使用此数据集训练的 SISR 模型在真实场景中能够提供更好的视觉效果，且模型能够适应不同的相机设备。

    Apr, 2019

  • Sentinel-2 影像的超分辨率：学习一个全球通用的深度神经网络

    本研究旨在将 Sentinel-2 卫星影像的低分辨率（20m 和 60m 采样距离）图像超分辨率重建到 10m 采样距离，采用了基于卷积神经网络的端到端上采样方法，命名为 DSen2，在 RMSE 性能上优于最佳比较方法近 50％，以视觉效果快速重建全分辨率图像。

    Mar, 2018

  • 无监督图像超分辨率技术及其间接监督路径

    本研究提出了一种新的基于无监督图像转换与监督超分辨率相结合的框架，该框架在 NTIRE 2017 和 2018 质量挑战数据集上取得了良好的性能，同时可以在失真与感知质量之间保持灵活平衡。

    Oct, 2019

  • 远程感知的传感器间自我监督训练与校准

    我们介绍了 “X-STARS” 的远程感知数据的跨传感器自监督训练和对齐方法，通过设计多传感器对齐稠密损失（MSAD）来对齐不同分辨率的传感器所表示的数据，从而提高模型在各种数据可用性和分辨率条件下的性能。

    May, 2024

  • 学习的光谱超分辨率

    使用卷积神经网络 (CNN) 的最佳实践完成从 RGB 图像到对应大小的高光谱图像的直接映射，实现了超分辨率的高光谱成像，优于现有技术水平。

    Mar, 2017

  • HighRes-net：多帧卫星图像超分辨率递归融合

    本论文提出了一种基于深度学习的多帧超分辨率方法 HighRes-net，首次使用端到端的方式学习了低分辨率图像的配准、融合和上采样等任务，并通过准确的配准和 ShiftNet 算法实现了真实卫星图像的超分辨率处理，促进了地球观测数据的应用。

    Feb, 2020

  • 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

  • 低分辨率引领未来：通过自监督学习提高超分辨率的泛化能力

    使用 “Low-Res Leads the Way”（LWay）训练框架，结合有监督预训练和自监督学习，通过提取低分辨率（LR）图像的降级嵌入，与超分辨输出合并进行 LR 重建，并利用未见过的 LR 图像进行自监督学习，从而提高图像超分辨模型对真实世界图像的适应能力和细节恢复能力，并通过离散小波变换（DWT）进一步改进对高频细节的聚焦，该方法在未见过的真实世界数据集上显著改善了超分辨模型的泛化能力和细节恢复能力，并超越了现有方法，是一种适用于实际图像超分辨应用的通用训练方案。

    Mar, 2024