Apr, 2024

交叉传感器不规则采样 Sentinel-2 时间序列的超分辨率

PDF
TL;DR通过使用多张卫星图像，本研究提出了一种针对 Sentinel-2 时间序列的多图像超分辨率重建算法，并展示了多图像对超分辨率性能的显著改善，同时探讨了光谱保真度和感知质量之间的权衡关系。
satellite imagingsuper-resolutionmulti-imagesentinel-2temporal positional encoding
发现论文，激发创造
  • 卫星影像快速超分辨率的深度与非深度方法融合

    该论文提出通过超分辨率提高卫星图像的质量并降低成本。作者设计了一种框架以分析每个低分辨率图像补丁的区域信息内容，并明智地选择在图像上超分辨率更富有结构的区域上使用更复杂的深层模型，而在非显著区域上使用不使用深层模型的低资源密集型方法，从而在保证性能的同时降低了推断时间。

    Aug, 2020

  • Sentinel-2 影像的超分辨率：学习一个全球通用的深度神经网络

    本研究旨在将 Sentinel-2 卫星影像的低分辨率（20m 和 60m 采样距离）图像超分辨率重建到 10m 采样距离，采用了基于卷积神经网络的端到端上采样方法，命名为 DSen2，在 RMSE 性能上优于最佳比较方法近 50％，以视觉效果快速重建全分辨率图像。

    Mar, 2018

  • 利用探测器重叠进行 Sentinel-2 L1B 遥感图像的无监督超分辨率

    本文提出了一种基于深度学习的单图像超分辨率和波段对齐方法，通过自监督学习方法直接在 Sentinel-2 L1B 数据上进行训练，使用新型的交叉光谱注册网络实现波段对齐，避免了缺乏可靠的高分辨率地面真值的问题，并证明了该方法在合成和现实数据上的性能与监督方法相当。

    Apr, 2023

  • HighRes-net：多帧卫星图像超分辨率递归融合

    本论文提出了一种基于深度学习的多帧超分辨率方法 HighRes-net，首次使用端到端的方式学习了低分辨率图像的配准、融合和上采样等任务，并通过准确的配准和 ShiftNet 算法实现了真实卫星图像的超分辨率处理，促进了地球观测数据的应用。

    Feb, 2020

  • 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

  • 自我监督的多曝光推框卫星超分辨率

    本文提出了一种可用于处理多曝光序列的超分辨率方法，它可以处理输入中的信号相关噪声，并且可以在没有高分辨率帧的情况下进行端到端的自我监督训练，效果显著优于现有的单曝光方法。

    May, 2022

  • 使用卷积神经网络对 PROBA-V 图像进行超分辨率处理

    利用卫星影像数据，本研究提出了一个卷积神经网络模型来实现多图像超分辨率技术，弥补高清晰度影像获取时间间隔较长的缺陷，通过对大量数据进行重建，证明机器学习技术在卫星图像处理中具有应用潜力。

    Jul, 2019

  • 基于条件像素合成的卫星图像时空超分辨率

    通过丰富、廉价、低分辨率的卫星图像，提出一种新的条件像素合成模型，生成准确的高分辨率图像，以帮助解决高分辨率图像采集不足和成本过高等问题；该模型能够用于改善物体计数等重要应用，特别是在地理条件快速变化的地区。

    Jun, 2021

  • 时空感知多分辨率视频增强

    本文提出了一个名为 STARnet 的模型，旨在通过同时提高空间分辨率和插值帧率来解决空时超分辨率问题，并利用时间和空间之间相互信息关系的优势，提供更加准确的运动信息和像素对齐。该模型能够有效提高空时、空间和时间视频超分辨率的性能。

    Mar, 2020

  • 水下图像同步增强和超分辨率以实现更好的视觉感知

    提出 Deep SESR 方法，支持水下机器人对图像进行同步增强和超分辨，通过多模态目标函数训练，能够支持 2x、3x、4x 空间分辨率的图像恢复，并在 UFO-120 数据集上进行了验证实验。

    Feb, 2020