Oct, 2023

EDiffSR: 一种高效的远程感知图像超分辨率扩展的扩散概率模型

PDF
TL;DR本论文介绍了一种用于高效遥感图像超分辨率的扩散概率模型（DPM）EDiffSR，并结合了高效的激活网络（EANet）和条件先验增强模块（CPEM），以提高遥感图像的视觉质量和细节恢复能力。
convolutional networksremote sensing image super-resoltuiondiffusion probabilistic modelefficient activation networkconditional prior enhancement module
发现论文，激发创造
  • 自适应语义增强去噪扩散概率模型在遥感图像超分辨率中的应用

    提出了一种自适应语义增强的 DDPM 模型，通过引入 Transformer 来提高 DDPM 的保留细节能力，解决了噪声生成过程中的高频细节重建问题，并通过残差特征融合策略在多个层次上实现了两个解码器之间的信息交换，进而在超分辨率和下游应用中取得了出色的性能。

    Mar, 2024

  • 双扩散：用于 RSI 中盲超分辨率重建的双条件去噪扩散概率模型

    本文介绍了一种基于双条件去噪扩散概率模型的盲超分辨率重建框架，围绕核估计和重构进度引入了双向扩散，通过构建基于 DDPM 的核预测器和重建器实现了从 LR 图像到 HR 图像的映射，实验结果证明了我们提出的方法在盲超分辨率重建方面的优越性。

    May, 2023

  • 扩散模型中的 SAR 图像合成

    通过使用特定类型的扩散模型（DDPM）在合成孔径雷达（SAR）领域实现有条件和无条件图像生成，本研究表明 DDPM 在质量上以及定性和定量效果上都优于现有的基于 GAN 的方法，并展示了预训练对于提高 SAR 图像生成质量的益处。

    May, 2024

  • SRDiff：扩散概率模型单图超分辨率

    本文提出一种基于扩散概率模型的单幅图像超分辨率方法，通过优化数据可能性的变分下界进行模型训练，并通过引入残差预测以加速收敛。该方法在 CelebA 和 DIV2K 数据集上进行了实验验证，实验结果表明，该方法在性能上领先以往的方法，并具有生成丰富细节的不同超分辨率结果、小型化、灵活的图像操作等优点。

    Apr, 2021

  • 跨越空间和时间分辨率的桥梁建设：基于变化先验和条件扩散模型的参考图像超分辨率

    利用土地覆盖变化的先验信息来指导去噪过程的变化感知扩散模型用于参考图像超分辨率重建，通过将先验信息注入去噪模型，提高未改变区域参考信息的利用和已改变区域语义相关内容的重建，以此来改善模型性能。

    Mar, 2024

  • 加强天气预测：基于深度扩散模型的超分辨率

    本研究探讨了深度学习扩散模型在天气数据超分辨率方面的应用，该新方法旨在增强气象变量的空间分辨率和细节。通过利用扩散模型（特别是 SR3 和 ResDiff 架构），我们提出了一种将低分辨率天气数据转化为高分辨率输出的方法论。我们的实验使用 WeatherBench 数据集，重点研究了两米温度变量的超分辨率，展示了模型生成详细准确的天气图的能力。结果表明，通过加入基于物理的修改，ResDiff 模型在均方误差（MSE）、结构相似性指数（SSIM）和峰值信噪比（PSNR）等方面显著优于传统的 SR3 方法。该研究突显了扩散模型在气象应用中的潜力，为未来天气预测和气候分析的进一步发展提供了见解、挑战和前景。

    Jun, 2024

  • SAM-DiffSR：图像超分辨率的结构调制扩散模型

    我们提出了 SAM-DiffSR 模型，通过将细粒度结构信息编码到分割掩膜中，并在正向扩散过程中调制噪声，实现了对图像质量的改善，同时不增加推理过程中的计算成本。在 DIV2K 数据集上的实验结果表明，我们的方法在抑制伪影方面表现出卓越的性能，并且在 PSNR 方面超过现有的基于扩散的方法高达 0.74 dB。

    Feb, 2024

  • RSDiff：基于扩散模型的遥感图像生成

    通过渐进式扩散模型，纯基于文本提示逐渐生成高分辨率的卫星图像，并在远程感知领域取得了优越的超分辨率结果与真实地理特征的生成。

    Sep, 2023

  • 通过扩散模型和组自编码超分辨率网络增强高光谱图像

    提出了一种新的 Group-Autoencoder (GAE) 框架，并与扩散模型结合，构建了一个高效的高光谱图像超分辨率模型 (DMGASR)。实验证明，该方法在视觉上和指标上优于其他最先进的方法。

    Feb, 2024

  • Siamese Meets Diffusion Network: SMDNet 用于高分辨率遥感图像的改进变化检测

    提出了一种新的网络模型，使用深度学习进行遥感图像变化检测，该模型结合了 Siam-U2Net 特征差分编码器（SU-FDE）和去噪扩散隐式模型，改善了图像边缘变化检测的准确性，并增强了模型对环境变化的鲁棒性。

    Jan, 2024