Sep, 2024

PanAdapter：具有空间-光谱先验注入的两阶段微调用于图像融合

HTML
PDF
TL;DR本研究解决了在小规模数据集上进行图像融合（pansharpening）任务中面临的数据集规模和性能限制问题。提出的PanAdapter方法通过两阶段的训练策略和局部先验提取模块，有效利用预训练模型的高级语义信息，显著提升了图像融合的性能。实验证明，该方法在多个基准数据集上达到最先进的成果，展示了其在小数据集上的巨大潜力。
发现论文，激发创造
  • 面向目标自适应的基于CNN的全色增强

    本文探究了基于卷积神经网络进行遥感图像全色增色的各种不同架构和训练变化，提出了一种目标自适应使用模式，并开发了一种可在通用硬件上快速进行高质量 CNN 基础全色增色的软件工具。

    Sep, 2017

  • 基于 GAN 的指导式全色影像上色 CNN 算法反思

    本文提出了一种新的自监督学习框架，将Pansharpening看作是一个彩色化问题，并在模型训练中引入噪声注入和对抗性训练，通过提高神经网络的分辨率实现卫星图像Pansharpening的高质量输出。

    Jun, 2020

  • FGF-GAN: 基于快速引导滤波器的轻量级生成对抗网络用于全色图像增强

    本文提出了一种基于生成对抗网络和快速引导滤波器的全色融合技术，通过替代传统的通道拼接方法，保留了空间信息并减少了参数数量，在融合过程中可以突出关键信息。同时，经过对抗训练，特征的潜在信息得以有效保留，并生成了高质量的高分辨率多光谱图像。

    Dec, 2020

  • 一种用于全色增强的文本和光谱特征融合Transformer

    本文提出了一种新的pansharpening注意机制，名为HyperTransformer，它通过在变压器中将LR-HSI和PAN的特征分别制定为查询和键来改善生成的HSI的空间和光谱质量，实现了跨特征空间依赖和PAN和LR-HSI的长距离详细信息学习，并在三个常用数据集上取得了显著的改进。

    Mar, 2022

  • PanFormer：基于Transformer的PAN融合模型

    本文提出了一种基于Transformer模型的卫星图像融合方法，探究Transformer在图像特征提取与融合中的潜力，并通过GaoFen-2和WorldView-3图像的实验表明其在卫星图像融合中具有巨大潜力和性能优势，并超越了许多现有的基于CNN的方法。

    Mar, 2022

  • 无监督低秩扩散模型全色影像锐化

    本文介绍了一种无监督的Pansharpening方法，通过结合扩散模型和低秩矩阵分解技术，将高分辨率全色（PAN）图像和低分辨率多光谱（LRMS）图像进行合并，以创建一张高分辨率多光谱（HRMS）图像。实验结果表明，该方法比传统基于模型的方法表现更佳，并且比基于深度学习的技术具有更好的泛化能力。

    May, 2023

  • SDRCNN：一种单尺度密集残差连接卷积神经网络用于全色增强

    该研究开发了一种名为SDRCNN的新型单分支、单规模轻量级卷积神经网络，用于对卫星传感器获取的不同分辨率多光谱图像信息进行融合处理，并与其他方法进行了比较，结果表明SDRCNN方法在处理时间、空间细节和光谱扭曲方面均表现优于比较方法。

    Jul, 2023

  • 基于无监督深度学习的波段融合技术与频谱空间保真度的联合增强

    最近几年，深度学习在多分辨率图像泛光提升中起着主导作用。本文提出了一种基于深度学习的全分辨率训练框架，通过定义适当的损失函数和训练方法，充分发挥了这种方法的潜力，提供了先进的性能。实验证明，该方法在数值结果和视觉输出方面与现有技术相比具有显著优势。

    Jul, 2023

  • 变分零样本多光谱融合

    通过零样本学习与变分优化方法相结合，提出了一种全新的Pansharpening方法，能够在没有配对训练数据的情况下实现高分辨率多光谱图像的合成。

    Jul, 2024

  • 基于模型的多头注意残差展开网络用于影像融合

    本研究解决了高分辨率全色图像与低分辨率多光谱或超光谱图像融合的挑战。提出了一种新颖的基于变分形式的深度展开方法，通过使用多头注意残差网络来利用图像自相似性，显著提高了融合图像的质量和通用性。实验结果显示，该方法在不同传感器配置下表现优越，有潜力在遥感图像处理领域产生重大影响。

    Sep, 2024