通过广义逆理解图像融合技术
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
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
该研究提供了卫星影像的全面融合技术评估,重点关注光谱保真度和空间增强两个关键方面。通过建立一种新颖的级联结构评估框架,对现有方法进行了详细比较分析,结果显示在光谱精度提高 88% 的同时实现了空间分辨率的增强。研究揭示了融合技术在遥感应用中的实际意义,并强调了光谱和空间两个方面的重要性。通过系统地采用多种融合算法,对它们的性能进行了整体观察,有助于更深入地了解它们的能力和局限。
May, 2024
本文提出了一种新的自监督学习框架,将 Pansharpening 看作是一个彩色化问题,并在模型训练中引入噪声注入和对抗性训练,通过提高神经网络的分辨率实现卫星图像 Pansharpening 的高质量输出。
Jun, 2020
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
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
透视等价成像(EI)是一个框架,利用光学相机成像系统(例如卫星或手持相机)中的透视可变性来恢复失去的信息,它在多光谱全色增强方面取得了最先进的结果,在卫星和城市图像数据上胜过了文献中的其他无监督方法。
Mar, 2024