Nov, 2023

基于 CNN 模型传播的波段级高光谱图像融合

PDF
TL;DR提出了一种新的深度学习方法，该方法在每个波段中通过基于先前波段调整的模型进行泛光锐化，适应性和灵活性都得到了改善，并且无需具有固定数量的光谱波段和大量昂贵的标记训练数据集。该方法在数据集上取得了非常好的结果，优于传统方法和深度学习方法。
hyperspectral pansharpeningdeep learning modelsunsupervised pansharpening modelsequential band-wise adaptive schemespectral bands
发现论文，激发创造
  • 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

  • 高光谱全色融合：关键综述、工具和未来展望

    设计了一个大而多样化的数据集，选择一组最先进的方法并进行比较分析，以解决高光谱全色融合的技术复杂性和评估方法不全面的问题。

    Jul, 2024

  • 基于 GAN 的指导式全色影像上色 CNN 算法反思

    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

  • 面向目标自适应的基于 CNN 的全色增强

    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

  • PanBench：高分辨率和高性能全色融合

    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

  • 深度梯度投影网络用于全色影像锐化

    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

  • 高光谱融合影像回顾

    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

  • 基于细节注入的卷积神经网络全色增强

    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

  • 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

  • 无监督低秩扩散模型全色影像锐化

    本文介绍了一种无监督的 Pansharpening 方法，通过结合扩散模型和低秩矩阵分解技术，将高分辨率全色（PAN）图像和低分辨率多光谱（LRMS）图像进行合并，以创建一张高分辨率多光谱（HRMS）图像。实验结果表明，该方法比传统基于模型的方法表现更佳，并且比基于深度学习的技术具有更好的泛化能力。

    May, 2023