Jul, 2023

用于 Sentinel-2 图像融合的全分辨率训练框架

PDF
TL;DR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。
unsupervised frameworkdeep learning modelssuper-resolutionsentinel-2 imagesmulti-resolution analysis
发现论文，激发创造
  • 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

  • 利用探测器重叠进行 Sentinel-2 L1B 遥感图像的无监督超分辨率

    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。

    Apr, 2023

  • 基于学习的超分辨率框架在美国信号中的应用

    提出了一种基于深度学习的超分辨率超声图像和视频增强方法，通过训练模型和大量医学图像数据进行定制化的超分辨率处理，实现了对不同解剖区域的低分辨率超声图像和视频的有效提高，并且兼顾了训练网络的运算速度和硬件资源消耗。

    Apr, 2023

  • 遥感表示学习：一种无监督传感器融合方法

    本文提出了一种新的自监督训练方法，利用来自多个传感器的共同数据来学习每种可能的组合的有用表示，该方法在遥感分类任务中优于全监督 ImageNet 权重，并随着越来越多的传感器融合而改善。

    Aug, 2021

  • 基于深度学习的多波段信号融合用于三维 SAR 超分辨率

    提出一种深度学习方法 kR-Net，使用混合的双域复值卷积神经网络 (CV-CNN) 融合多频段信号，以实现对复杂目标的高分辨率成像，从而在安全筛查和工业成像领域中具有广阔应用前景。

    May, 2023

  • 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

  • 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

  • Beyond RGB: 基于多模态深度网络的高分辨率城市遥感技术

    本文研究使用深度完全卷积网络来处理多模态多尺度遥感数据的语义标注，并采用有效的多尺度方法来提高语义标注的精度和深入研究数据的早期和后期融合方法，并在两个公共数据集上验证了我们的方法，表现出令人满意的结果。

    Nov, 2017

  • 无监督深度多焦点图像融合

    本文介绍了一种基于卷积神经网络的无监督端到端学习方法，可以直接从多焦点输入图像对中预测完全聚焦的输出图像，并利用图像结构相似性 (SSIM) 计算损失。实验结果表明，该方法在视觉质量和客观度量方面优于现有的最先进技术。

    Jun, 2018

  • 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