Nov, 2023

PanBench：高分辨率和高性能全色融合

PDF
TL;DR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。
pansharpeningremote sensingdeep learningevaluationdataset
发现论文，激发创造
  • 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

  • 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

  • 用于遥感影像全色增强的多尺度和多深度卷积神经网络

    本研究提出了一种名为 MSDCNN 的多尺度和多深度卷积神经网络用于遥感影像的 pan-sharpening 任务，该网络通过卷积神经网络的多尺度特征提取和残差学习来实现非线性关系的有效建模，实验结果表明，与其他先进方法相比，MSDCNN 可以获得质量更高的图像。

    Dec, 2017

  • 基于双流融合网络的遥感图像融合

    本文提出了一种名为 TFNet 的双流融合网络，通过卷积神经网络在特征级别上融合高分辨率全色相红外图像和低分辨率多光谱图像来解决遥感图像融合问题，并通过实验验证了该方法的有效性。

    Nov, 2017

  • 利用卷积神经网络对多光谱卫星图像进行超分辨率处理

    本文提出一种使用 CNN 训练的方法，通过低分辨率的多光谱和高分辨率的全色图像瓦片对来创建超分辨率分析图像，其中 RedNet30 架构表现最佳。

    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

  • 卫星图像的光谱保真度和空间增强评估及级联图像融合技术

    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

  • 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

  • 利用空间细节记忆进行全色影像增强学习

    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

  • 基于 CNN 模型传播的波段级高光谱图像融合

    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。

    Nov, 2023