May, 2023

无监督低秩扩散模型全色影像锐化

PDF
TL;DR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。
发现论文，激发创造
  • CrossDiff: 基于交叉预测扩散模型探索自监督全色影像增强的表示

    提出了一种名为 CrossDiff 的跨预测扩散模型，利用自我监督的表示学习方法进行卫星图像的泛光锐化，通过两阶段的训练并与其他方法比较，实验证明了该模型的有效性和优越性，同时验证了其在其他卫星数据集上的泛化能力。

    Jan, 2024

  • 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

  • SSDiff: 遥感全色增强的空间光谱综合扩散模型

    这篇论文介绍了一种用于遥感全色增强任务的空间 - 光谱集成扩散模型 (SSDiff)，该模型通过子空间分解的视角将全色增强过程视为空间和光谱成分的融合过程。SSDiff 利用空间和光谱分支分别学习空间细节和光谱特征，然后采用设计的交替投影融合模块 (APFM) 来完成融合。此外，文章还提出了一种调制频率分布的分支间频率调制模块 (FMIM)。SSDiff 的两个组件通过一种类似分支交替微调方法的低秩适应 (LoRA) 来优化性能，更充分地捕捉分量区分特征。对 WorldView-3、WorldView-2、GaoFen-2 和 QuickBird 四个常用数据集进行的大量实验在视觉和定量上证明了 SSDiff 的优越性。

    Apr, 2024

  • 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

  • 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

  • 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

  • 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

  • 本地 - 全局变压器增强展开网络用于全色锐化

    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。

    Apr, 2023

  • 高光谱融合影像回顾

    本研究比较了基于高光谱数据的新型泛光谱技术和一些适用于高光谱数据的多光谱泛光谱技术的方法，并通过广泛使用的性能指标评估了它们的有效性和鲁棒性，并提供一个 MATLAB 工具箱供社区使用。

    Apr, 2015

  • 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