Jan, 2024

超分辨率遥感图像中云雾消除的扩散增强

PDF
TL;DR该研究提出了一种基于扩散增强的云去除框架，利用超分辨率图像生成和逐层训练策略，实现了对光学遥感图像中云层的准确去除，大幅提高了图像的感知质量和信号保真度。
cloud removaldeep-learningdiffusion-based frameworkultra-resolution image generationcoarse-to-fine training strategy
发现论文，激发创造
  • DiffCR: 光学卫星图像快速去云条件扩散框架

    通过 DiffCR 框架，利用深度卷积网络和条件引导扩散，实现了高性能的卫星光学图像云去除，与之前最佳方法相比，参数和计算复杂度只有 5.1% 和 5.4%。

    Aug, 2023

  • IDF-CR: 迭代扩散过程用于遥感图像中的分区云去除

    深度学习技术在光学遥感图像的云去除中展示了其有效性。本文提出了一种迭代扩散过程用于云去除，通过像素空间和潜变空间两个阶段模型实现了云去除的分步处理，提高了清晰度并优化了细节恢复。

    Mar, 2024

  • UnCRtainTS：光学卫星时间序列云去除的不确定性量化

    本文介绍了一种名为 UnCRtainTS 的多时空云去除方法，它是基于一种新颖的注意力机制和一种多元不确定性预测公式的组合。在两个公开的云去除数据集上，它取得了最新的图像重建技术实时性能，并展示了这种方法如何通过精准控制重建质量来提高不确定性预测的准确性。

    Apr, 2023

  • CRS-Diff: 可控卫星遥感基础模型生成

    提出了一种专门针对遥感图像生成的扩散建模框架 CRS-Diff，利用扩散模型的内在优势并整合先进的控制机制，以确保图像不仅在视觉上清晰，而且充满地理和时间信息。综合评估证明，CRS-Diff 在图像质量和多样性方面相对于之前的方法具有卓越的生成能力。

    Mar, 2024

  • 去雾遥感与无人机影像：深度学习、基于先验和混合方法的综述

    在遥感和无人机应用中，高质量图像是至关重要的，但大气雾霾严重影响图像质量，因此图像去雾成为一个关键的研究领域。本综述超越了传统对基准雾霾数据集的关注点，还探讨了去雾技术在遥感和无人机数据集中的应用，全面概述了这些领域中的深度学习和基于先验的方法。我们确定了关键挑战，包括缺乏大规模遥感数据集和需要更加稳健的评估指标，并概述了解决这些挑战的潜在解决方案和未来研究方向。这是我们所知的第一篇详细讨论基准和遥感数据集上现有以及最近（截至 2024 年）的图像去雾方法的综述，包括基于无人机图像的内容。

    May, 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

  • DocDiff: 通过剩余扩散模型增强文档

    提出了一种名为 DocDiff 的基于扩散的框架，用于解决文档图像退化问题，包括去模糊、去噪和去水印，采用回归和扩散模型结合的方法来处理文档图像的高频信息，已在多个基准数据集上取得了最先进的性能（SOTA）表现。

    May, 2023

  • 基于扩散的毫米波雷达点云超分辨率

    本论文提出了一种新的点云超分辨率方法，名为雷达扩散。该方法使用受均值回归的随机微分方程定义的扩散模型，并通过与对应的 LiDAR 点云的监督来处理雷达幽灵点，将稀疏的毫米波雷达点云增强为稠密的类似 LiDAR 的点云。通过在两个不同的数据集上评估，实验结果表明我们的方法在 3D 雷达超分辨率任务中优于现有的基准方法。此外，我们证明了我们增强的雷达点云能够进行下游的基于点云的雷达配准任务。

    Apr, 2024

  • 远程扩散

    利用 RSICD 數據集訓練了具有 0.2 損失的 Stable Diffusion 模型，並通過合成數據集和定制遙感 LLM 進行了 Land Use Land Classification 任務，但由於標題質量和模型表現的挑戰，生成的圖像和數據集的質量有所不足。

    May, 2024

  • 全球全季 Sentinel-2 卫星影像云去除的多源数据融合

    通过构建一个新的数据集，本文针对云遮挡导致的地球影像质量下降问题，提出了一种适用于不同区域、季节和云覆盖度变化的新型云去除模型，并在两个性能指标上进行了评估。

    Sep, 2020