IJCAIApr, 2023

本地 - 全局变压器增强展开网络用于全色锐化

PDF
TL;DR本文报道了一种名为 LGTEUN 的可解释深度学习网络来提高低分辨率多光谱图像。该网络基于迭代算法，并使用 Local-Global Transformer 模块来同时建模局部和全局依赖关系，从而提高图像的分辨率和降噪水平。实验结果表明，LGTEUN 相对于现有的方法具有更高的效果和效率。
发现论文，激发创造
  • PanFormer：基于 Transformer 的 PAN 融合模型

    本文提出了一种基于 Transformer 模型的卫星图像融合方法，探究 Transformer 在图像特征提取与融合中的潜力，并通过 GaoFen-2 和 WorldView-3 图像的实验表明其在卫星图像融合中具有巨大潜力和性能优势，并超越了许多现有的基于 CNN 的方法。

    Mar, 2022

  • 无监督低秩扩散模型全色影像锐化

    本文介绍了一种无监督的 Pansharpening 方法，通过结合扩散模型和低秩矩阵分解技术，将高分辨率全色（PAN）图像和低分辨率多光谱（LRMS）图像进行合并，以创建一张高分辨率多光谱（HRMS）图像。实验结果表明，该方法比传统基于模型的方法表现更佳，并且比基于深度学习的技术具有更好的泛化能力。

    May, 2023

  • 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

  • 线性演化变压器用于泛光谱增强

    为了在低资源卫星上实现性能优势而避免昂贵的计算，我们提出了一种高效的线性演化变体转换器，并将其应用于构建轻量级全球建模框架。

    Apr, 2024

  • 全局 - 局部分步生成网络用于超高分辨率图像恢复

    该论文介绍了使用全局 - 局部渐进式生成网络（GLSGN）来恢复超高分辨率图像，该模型利用四个恢复路径（三个局部路径和一个全局路径）进行恢复，其中局部路径聚焦于在局部但高分辨率的图像路径上进行细粒度的图像恢复，而全局路径则在缩小但完整的图像上大范围地进行图像恢复，以提供包括语义和噪声模式在内的全局视图的线索。同时该论文还介绍了第一个用于超高分辨率去反射和去雨纹的数据集，并展示了 GLSGN 在三个典型的背景恢复任务中的卓越性能。

    Jul, 2022

  • 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

  • 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

  • 一种用于全色增强的文本和光谱特征融合 Transformer

    本文提出了一种新的 pansharpening 注意机制，名为 HyperTransformer，它通过在变压器中将 LR-HSI 和 PAN 的特征分别制定为查询和键来改善生成的 HSI 的空间和光谱质量，实现了跨特征空间依赖和 PAN 和 LR-HSI 的长距离详细信息学习，并在三个常用数据集上取得了显著的改进。

    Mar, 2022

  • 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

  • 利用空间细节记忆进行全色影像增强学习

    本文提出基于深度学习的无需全色图像的全色增强技术方法，通过内置基础边缘轮廓实现对全色图像的无需输入，该方法在高分一号和 WorldView-4 卫星上获得最佳增强效果。

    Jun, 2023