本研究提出了一种名为 MSDCNN 的多尺度和多深度卷积神经网络用于遥感影像的 pan-sharpening 任务,该网络通过卷积神经网络的多尺度特征提取和残差学习来实现非线性关系的有效建模,实验结果表明,与其他先进方法相比,MSDCNN 可以获得质量更高的图像。
Dec, 2017
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
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
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
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
本文提出了一种名为 TFNet 的双流融合网络,通过卷积神经网络在特征级别上融合高分辨率全色相红外图像和低分辨率多光谱图像来解决遥感图像融合问题,并通过实验验证了该方法的有效性。
Nov, 2017
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
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
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
本文提出了一种采用残差学习构建非常深的卷积神经网络来实现全面利用深度学习模型的高非线性性的方法,经过大量高质量多光谱图像的定量和视觉评估,证明我们提出的模型优于比较中包括所有主流算法,达到了最高的空间光谱一致性精度。
May, 2017