利用图像间相似性先验进行低比特率遥感图像压缩
通过 attention 机制,我们提出了一种新的信息变换学习熵模型,能更好地处理图像压缩的全局和局部依赖关系,实验证明该模型取得了优于现有技术的率失真性能,并且没有二次计算复杂度问题。
Dec, 2021
本研究提出了一种用于学习基于高光谱图像压缩的大规模基准数据集HySpecNet-11k,包括11483个分别为128×128像素的图像,具有224个光谱波段和30m的地面采样距离,用于各种一维,二维和三维卷积自编码器架构的基准测试和未监督学习任务。
Jun, 2023
该研究提出了一种改进的变压器(Transformers)自回归先验模型及ConvNeXt-based预/后处理器,并将其应用于图像压缩,提高了压缩效率和解码复杂度的权衡。
Jul, 2023
近期,分布式深度学习在遥感应用中引起了更多的关注,其中梯度稀疏化被验证为一种有效压缩梯度的方法,以减少通信成本并加快训练速度。通过引入梯度邻域来增强梯度之间的相互依赖,并使用邻域统计指标(NSI)来定义梯度的重要性,我们提出了一种动态梯度压缩方案(RS-DGC)用于遥感图像解释,该方法在智能解释遥感图像方面优于现有方法。
Dec, 2023
使用地理空间基础模型Prithvi进行遥感图像检索,在多光谱卫星数据上取得了出色的性能,提出了三种压缩方法,能够在保持浮点数嵌入精度的同时实现32倍的压缩比,而且与更短哈希码的检索速度相匹配。
Mar, 2024
通过可逆神经网络,我们提出了INN-RSIC方法,用于解码远程感应图像并实现高感知质量,在低比特率下尤为重要。我们采用现有图像压缩算法捕捉压缩失真,并通过INN将其编码为一组高斯分布的潜在变量,使解码图像中的压缩失真与真实图像无关。因此,通过利用INN的逆映射,我们可以将解码图像以及一组随机重采样的高斯分布变量输入到逆网络中,有效生成感知质量更好的增强图像。我们通过引入量化模块(QM)来缓解格式转换的影响,从而提高框架的泛化能力和增强图像的感知质量。广泛的实验表明,我们的INN-RSIC在感知质量方面明显优于现有的传统和基于深度学习的图像压缩方法。
May, 2024
通过利用潜在扩散模型的失真先验信息,提出了一种基于深度学习的遥感图像压缩方法,该方法利用生成的先验信息,通过增强网络实现对图像的质量提升。
Jun, 2024
本研究解决了在极低比特率下进行遥感图像压缩的挑战,传统生成模型在重建视觉可信图像方面效果有限。我们提出了一种新颖的名为“地图辅助生成压缩”(MAGC)的方法,结合预训练的扩散模型和矢量地图,显著提高了图像的感知质量和语义准确性,显示出在严苛条件下的优秀性能。
Sep, 2024