ICCVAug, 2023

深度展开网络中融入了学习的图像推理先验，用于全色和多光谱图像融合

PDF
TL;DR基于模型驱动的深度展开框架和图像推理先验的概念，通过嵌入空间掩蔽策略的预训练的自动编码器 (MAE) 和空间光谱掩蔽策略的正则化项，将图像推理先验融入到深度展开网络中，提高其解释性和表示能力，实现与全局学习过程和全局物理机制的显式集成，多种卫星数据集上的实验证明该方法优于现有的最先进方法。
发现论文，激发创造
  • 通过定制的可学习先验为低光图像增强器赋能

    本研究提出了一种低光图像增强范式，利用自定义的可学习先验来提高深度展开范式的透明度和解释性，通过 Masked Autoencoder（MAE）的特征表示能力定制了基于 MAE 的光照和噪声先验，并在多个低光图像增强数据集上的实验证明了该范式优于现有方法。

    Sep, 2023

  • 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

  • 场景先验滤波在深度图超分辨率中的应用

    场景先验滤波网络（SPFNet）：多模态融合、超分辨率、图像引导滤波、场景先验

    Feb, 2024

  • 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

  • 通过感知理解提高视觉表征学习

    本文介绍了一种基于 MAE 的扩展方法，通过引入感知相似度项和采用来自生成对抗网络领域的多级训练和自适应鉴别器增强等技巧，可以更好地重构像素并学习到更高级别的场景特征，进而在不使用其他预训练模型或数据的情况下，提高了图片分类等下游任务的性能，并在 ImageNet-1K 数据集上达到了 78.1% 的准确率。

    Dec, 2022

  • 引导深度解码器：无监督图像对融合

    本研究提出了一种基于引导式深度解码器网络的通用先验，该网络由一个利用引导图像的多尺度特征的编码器 - 解码器网络和一个生成输出图像的深度解码器网络组成，并通过特征细化单元将引导图像的多尺度特征嵌入深度解码器网络，允许网络参数在无监督学习的情况下进行优化，实现了多种图像融合问题的最新性能。

    Jul, 2020

  • SatMAE: 为时间序列和多光谱卫星图像预训练 Transformers

    通过使用遮蔽自动编码器（MAE）的卫星图像的预训练框架 SatMAE，我们结合时间嵌入和分组打包多光谱数据以提高预训练能力，进一步提高基准数据集上的监督学习性能（最高可达 7%），并在后续的遥感分类任务中表现出强大的转移学习能力（最高可达 14%）。

    Jul, 2022

  • 通过学习深度残差网络提高多光谱图像全色增强的准确性

    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

  • 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

  • 用于城市街景图像的多尺度语义先验特征引导深度神经网络

    这篇论文介绍了一种深度神经网络（DNN），多尺度语义先验特征引导图像修复网络（MFN），用于修补街景图像，以实现隐私保护并为城市应用生成可靠场景。

    May, 2024