IDF-CR: 迭代扩散过程用于遥感图像中的分区云去除
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
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。
Jan, 2024
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
利用扩散模型在地球观测数据方面带来的先进人工智能技术的进展,在新的情境中将具有很高的潜力。论文通过介绍一系列生成模型,并提出和分析三个应用案例,展示了基于扩散方法在卫星图像数据领域的潜力,即云去除和图像修复、用于变化检测任务的数据集生成以及城市重新规划。
Nov, 2023
本文提出了一种新颖的高效端到端扩散压缩感知方法,使用可逆扩散模型(IDM)从压缩测量恢复原始图像,克服了传统学习范式的限制,超过现有先进的压缩感知网络 2.64dB 的 PSNR 增益并实现 14.54 倍的推理加速。
Mar, 2024
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
在这篇文章中,我们发现了扩散模型生成质量受到迭代次数限制的根本原因,并提出了一个简单而有效的解决方案来缓解这些影响。我们的解决方案可以应用于任何现有的扩散模型,并且在各种 SOTA 体系结构上运行多个数据集和配置进行实验和详尽的消融研究,证明能够立即提高它们的生成质量。
Mar, 2022
使用扩散模型进行纹理恢复在解决如何从含有阴影图像中推断出无阴影场景的问题上一直是个具有挑战性的难题。本文提出了使用扩散模型的方法,通过在扩散过程中逐渐细化阴影区域的细节,其中借鉴了具备无阴影图像特征的学习潜在特征空间,从而避免了只基于退化图像的传统方法存在的局限性。此外,我们还提出了通过将噪声特征与扩散网络融合来缓解训练过程中潜在的局部最优问题。我们的方法在 AISTD 数据集上的 RMSE 性能较之前的最佳方法提高了 13%,在 DESOBA 数据集上的 RMSE 性能较之前的最佳方法提高了 82%。
Dec, 2023
通过离散余弦变换的角度看,高分辨率产生图像的主要挑战在于 “在频率域中,相同的噪声水平在更高分辨率下会导致更高的信噪比”;本论文提出了中继扩散模型 (Relay Diffusion Model, RDM),通过模糊扩散和块噪声将低分辨率图像或噪声转换为等效的高分辨率图像,使扩散过程能够在任意新分辨率或模型中无缝地继续进行,而无需从纯噪声或低分辨率条件重新启动;RDM 在 CelebA-HQ 的 FID 和 ImageNet 256x256 的 sFID 上取得了领先的成绩,明显超过 ADM、LDM 和 DiT 等之前的工作。
Sep, 2023
本文介绍了一种基于模型的深度神经网络,使用具有解释性和恰当的物理结构的数据结构,以实现单图像去雨任务的最先进性能,并通过端对端培训,自动提取所有雨滴核和接近算子,特别是在实际情况下具有更好的去雨性能。
May, 2020