Jun, 2024

UDHF2-Net：一种基于不确定性扩散模型的高频变换网络，用于遥感图像的高精度解释

PDF
TL;DR遥感图像高精度解释的不确定性扩散模型基于高频变换网络（UDHF2-Net）被提出来解决传统问题，通过引入空间平稳和非平稳频率特征的高频连接，基于掩膜与地理知识的不确定性扩散模块，以及半伪孪生 UDHF2-Net 的改进逐渐消除边缘噪声和配准误差，实验证明了 UDHF2-Net 的优势。
remotely sensed imagehigh-accuracy interpretationuncertainty-diffusion-model-basedspatially-stationary-and-non-stationary frequencyedge extraction
发现论文，激发创造
  • 像素自适应深度展开变换器用于高光谱图像重建

    我们提出了一种适用于高光谱图像重建的像素自适应深度展开变换 (PADUT)，通过引入非局部光谱变换 (NST) 强调了 HSI 的 3D 特征，并通过快速傅里叶变换 (FFT) 改进了阶段交互。实验结果表明我们的方法相较于最先进的 HSI 重建方法具有卓越的性能。

    Aug, 2023

  • Siamese Meets Diffusion Network: SMDNet 用于高分辨率遥感图像的改进变化检测

    提出了一种新的网络模型，使用深度学习进行遥感图像变化检测，该模型结合了 Siam-U2Net 特征差分编码器（SU-FDE）和去噪扩散隐式模型，改善了图像边缘变化检测的准确性，并增强了模型对环境变化的鲁棒性。

    Jan, 2024

  • 基于频率分解的无监督领域自适应方法在遥感图像语义分割中的应用

    基于跨领域语义分割的遥感图像的无监督领域自适应（UDA）技术已经在地球科学的深度学习应用中有了显著的进展。最近，Transformer 模型在 RS-UDA 任务中得到了成功应用。然而，现有的 UDA 方法主要关注高级特征空间中的领域对齐，对于 RS 图像的语义分割任务，同时保留跨领域的本地空间细节和全局语境语义仍然具有挑战性。为了解决这些问题，我们提出了新颖的高 / 低频分解（HLFD）技术，以指导跨领域语义分割中的表示对齐。具体而言，HLFD 试图在域对齐之前将特征图分解为高频和低频分量，为分别的子空间中进行域对齐。其次，为了进一步促进分解特征的对齐，我们提出了全局局部生成对抗网络（GLGAN），通过利用全局局部变压器块（GLTB）在领域之间学习域不变的细节和语义特征。通过整合 HLFD 技术和 GLGAN，我们开发了一种名为 FD-GLGAN 的新型 UDA 框架，以提高语义分割模型的跨领域可传递性和泛化能力。在 ISPRS Potsdam 和 ISPRS Vaihingen 这两个优质分辨率基准数据集上进行的大量实验凸显了所提方法相对于最先进的 UDA 方法的有效性和优越性。本文的源代码将在此 https URL 进行访问。

    Apr, 2024

  • 基于深度展开变压器的高光谱图像去噪算法

    本文提出了一种基于 Transformer 的深入展开高光谱图像去噪方法 —— 降噪 - 噪声感知展开网络 (DNA-Net), 其使用 U-Shaped Local-Non-local-Spectral Transformer (U-LNSA) 捕获了光谱相关性、局部内容和非局部依赖性。实验结果表明，DNA-Net 优于目前最先进的方法，并且噪声分布的建模对于噪声严重的情况有所帮助。

    May, 2023

  • 基于分层频率上采样和优化的压缩视频质量提升

    本研究提出了一种基于频率层次的上采样和优化神经网络（HFUR）来提高压缩视频质量，通过利用 DCT 域导出的先验信息进行无显式转换的频率上采样，并通过分层和迭代的优化提高最终输出的视觉质量。通过消融实验和可视化结果证明了所提出模块的有效性，并在公开基准测试集上进行了广泛实验，表明在恒定比特率和恒定 QP 模式下 HFUR 实现了最先进的性能。

    Mar, 2024

  • DiffSpectralNet：揭示扩散模型在高光谱图像分类中的潜力

    提出了一种名为 DiffSpectralNet 的新型网络，通过结合扩散和变换器技术，利用无监督学习和预训练去噪 U-Net 提取高层和低层光谱空间特征，并使用监督变换器分类器进行高光谱图像分类，实现了超越现有方法的创新，达到了最先进的性能。

    Oct, 2023

  • HDNet：用于光谱压缩成像的高分辨率双域学习

    本文提出了一个高分辨率双域学习网络（HDNet）用于高光谱图像的重建，该网络采用像素级精细特征和频率级细化来提高感知质量，在模拟和真实数据集中取得了最优结果。

    Mar, 2022

  • Dsfer-Net：基于现代 Hopfield 网络的深度监督和特征检索网络，用于双时相变化检测

    本文提出了一种新的基于深度学习的双时相遥感图像变化检测方法，使用全卷积连接的孪生网络进行高质量的特征提取，利用特征检索模块在深度监督下检索差异特征和利用其语义信息来设计更具可解释性的检测网络。在三个公共数据集上的实验结果表明，该方法明显优于现有的其他方法。

    Apr, 2023

  • 基于小波变换的频散调整与频域信息交互在水下图像恢复中的应用

    介绍了一种名为 WF-Diff 的新型水下图像增强框架，利用频域信息和扩散模型的特性，通过 Wavelet-based Fourien information interaction network (WFI2-net) 和 Frequency Residual Diffusion Adjustment Module (FRDAM) 的网络来实现水下图像的增强和细节调整。该算法在真实水下图像数据集上显示了最先进的性能，并在视觉质量方面取得了有竞争力的表现。

    Nov, 2023

  • 无监督稀疏狄利克雷网络用于高光谱图像超分辨率

    本文介绍了一种使用无监督编码器 - 解码器体系结构、通过稀疏狄利克雷分布来解决高光谱图像超分辨率问题的方法，并在实验中证明了其优越性能。

    Apr, 2018