Apr, 2024

基于去噪扩散模型的光学图像转换:以异构变化检测为例

TL;DR介绍一种创新的基于深度学习的方法,使用去噪扩散模型将不同光学传感器的低分辨率图像转换为高分辨率图像,保留内容并避免不需要的伪影,通过大规模多样的 Sentinel-II 和 Planet Dove 图像配对数据集进行训练和测试,解决了在多传感器光学遥感图像的图像到图像转换任务中普遍使用的无分类器引导去噪扩散隐式模型(DDIM)框架所观察到的严重图像生成问题,生成具有高度一致的补丁的大型图像,包括颜色和特征,进一步展示了该方法如何改善贝鲁特,黎巴嫩和美国奥斯汀两个城市地区的异构变化检测结果,我们的贡献包括:i)基于去噪扩散模型的光学图像转换的新的训练和测试算法;ii)全面的图像质量评估和消融研究;iii)与无分类器引导 DDIM 框架的比较;和 iv)对异构数据的变化检测实验。