Jun, 2024

SatDiffMoE: 卫星图像超分辨率的混合估计方法与潜在扩散模型

PDF
TL;DR通过扩散模型，我们提出了一种名为 SatDiffMoE 的新型融合算法，它可以将任意数量的时序低分辨率卫星图像作为输入，通过融合不同时间点的补充信息，合成具有更多细节的高分辨率重建图像。实验结果表明，与先前的方法相比，我们提出的 SatDiffMoE 方法不仅在各种数据集上实现了卓越的卫星图像超分辨率任务性能，而且具有改进的计算效率和减少的模型参数。
satellite imagesspatial resolutiontemporal resolutiondiffusion modelsuper-resolution
发现论文，激发创造
  • DiffusionSat：卫星遥感图像的生成基础模型

    DiffusionSat 是迄今为止最大的生成基础模型，使用公开可获得的大型高分辨率遥感数据集进行训练，实现对多个生成任务的解决，包括时间生成、多光谱输入的超分辨率和修复。同时它在卫星图像生成方面优于以前的最先进方法，也是第一个针对卫星图像的大规模生成基础模型。

    Dec, 2023

  • 通过隐式扩散实现图像超分辨率：一种基于采样空间混合模型的专家和频率增强解码器方法

    通过使用扩展的预训练文本图像模型进行扩散先验处理，本研究提出了基于频率补偿模块和样本空间多专家混合（SS-MoE）的潜在空间方法，以提高图像超分辨率的性能。

    Oct, 2023

  • 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

  • EDiffSR: 一种高效的远程感知图像超分辨率扩展的扩散概率模型

    本论文介绍了一种用于高效遥感图像超分辨率的扩散概率模型（DPM）EDiffSR，并结合了高效的激活网络（EANet）和条件先验增强模块（CPEM），以提高遥感图像的视觉质量和细节恢复能力。

    Oct, 2023

  • 加强天气预测：基于深度扩散模型的超分辨率

    本研究探讨了深度学习扩散模型在天气数据超分辨率方面的应用，该新方法旨在增强气象变量的空间分辨率和细节。通过利用扩散模型（特别是 SR3 和 ResDiff 架构），我们提出了一种将低分辨率天气数据转化为高分辨率输出的方法论。我们的实验使用 WeatherBench 数据集，重点研究了两米温度变量的超分辨率，展示了模型生成详细准确的天气图的能力。结果表明，通过加入基于物理的修改，ResDiff 模型在均方误差（MSE）、结构相似性指数（SSIM）和峰值信噪比（PSNR）等方面显著优于传统的 SR3 方法。该研究突显了扩散模型在气象应用中的潜力，为未来天气预测和气候分析的进一步发展提供了见解、挑战和前景。

    Jun, 2024

  • 改进的洪水洞察：基于扩散的合成孔径雷达到光学图像转换

    研究介绍了一种利用合成孔径雷达数据的洪水检测技术，通过一种名为扩散 SAR 到 EO 图像翻译（DSE）的框架，将 SAR 图像转换为 EO 图像，提高了对人类的可识别性， 实验结果表明，DSE 框架不仅提供了增强的视觉信息，而且在所有测试的洪水分割基线中均有所提高。

    Jul, 2023

  • SAR2EO: 高分辨率图像翻译框架与去噪增强

    该篇论文提出了 SAR2EO 框架，使用粗到细的生成器、多尺度判别器和改进的对抗性损失生成高质量的 EO 图像，并引入降噪模块来去除 SAR 图像的噪声。证实了该框架在 MAVIC 数据集上效果显著，赢得了 CVPR PBVS 2023 的第一名。

    Apr, 2023

  • SatDM：使用扩散模型进行语义布局调节的合成逼真卫星图像

    利用条件 DDPM 模型生成高质量、多样化和准确的卫星图像，以及改进噪声调度、自适应归一化和自注意机制，通过算法和人类意见研究验证其在数据增强等实际应用中的有效性。

    Sep, 2023

  • 视频超分辨率中扩散模型的学习空间适应性和时间连贯性

    本文提出了一种新颖的方法，即 Spatial Adaptation and Temporal Coherence (SATeCo)，用于视频超分辨率的空间适应和时间一致性，通过学习低分辨率视频的空间 - 时间指导，实现高分辨率视频去噪和像素级视频重建的校准。在预先训练的 UNet 和 VAE 中，通过两个经过精心设计的空间特征适应 (SFA) 和时间特征对齐 (TFA) 模块的优化，实现了 SFA 对帧特征进行调节，通过自适应估计每个像素的仿射参数，确保高分辨率帧合成的像素级指导；而 TFA 通过自注意力机制深入分析 3D 局部窗口 (小管) 内的特征交互，并在小管和低分辨率对应物之间执行交叉注意力，以指导时间特征对齐。在 REDS4 和 Vid4 数据集上进行的大量实验验证了我们方法的有效性。

    Mar, 2024

  • 基于扩散模型的卫星低光图像增强

    本文提出了一种基于扩散模型的飞行器低光图像增强方法，通过一种数据集收集方案和自动化的物理模拟生成器来对数据进行预处理。我们的方法在图像亮度增强方面表现更好，在图像质量方面与以前的方法相当。

    Jun, 2023