一种新的深度无监督方法,用于超分辨率的遥感超光谱图像使用gompertz函数的融合战争加速度优化生成对抗网络 (GF-CWAO-GAN)
K Deepthi1, Aditya K Shastry1, E Naresh2
1Information Science & Engineering, Nitte Meenakshi Institute of Technology, Visvesvaraya Technological University, Bengaluru, India.
Scientific reports
|December 1, 2024
概括
本研究介绍了一种新的无监督学习框架,使用基于Gompertz函数的融合战争加速度优化-GAN来生成高分辨率的超光谱图像. 该模型在图像超分辨率任务中实现了高精度和效率.
科学领域:
- 遥感 遥感 遥感 遥感
- 图像处理 图像处理
- 人工智能的人工智能
背景情况:
- 超光谱遥感图像具有高维度和低质量,由于光谱签名的揭示不佳,阻碍了分析应用.
- 现有的超分辨率 (SR) 图像模型,无论是监督的还是无监督的,往往缺乏高保真图像重建所需的准确性.
- 视觉通信的进步需要改进的方法来从低分辨率 (LR) 的对应产生的高分辨率 (HR) 图像.
研究的目的:
- 提出一种先进的无监督学习框架,用于生成高分辨率的超光谱图像.
- 提高低分辨率高光谱图像的光谱和空间质量,以改善分析.
- 开发一种基于生成对抗网络 (GAN) 的新方法,以实现精确的图像超分辨率.
主要方法:
- 一个新的基于Gompertz函数的融合战争加速度优化-GAN框架被开发用于无监督的图像超分辨率.
- 该框架包含一个多阶段的预处理管道,包括用于消除噪音的Shannon-Gaussian过器 (S-GF),基于梯度域方法的音色映射 (TM) 和倾斜校正.
- 使用逆梯度映射 (IGM),补丁提取和对比度改进进行了边界和边缘增强,然后将其输入到GAN,该GAN使用Krzanowski和Li-Kantorovich Metric-K-Means集群算法 (KL-KM-KMA).
主要成果:
- 拟议的框架在生成高分辨率图像方面实现了98.05%的高精度和97.98%的精度.
- 量化指标表现出强的表现,初始得分为8.71和Fréchet初始距离 (FID) 为36.4.4.
- 该模型展示了缩短的集群和训练时间,证明了其计算效率与最先进的方法相比.
结论:
- 开发的基于Gompertz函数的融合战争加速度优化-GAN框架有效地从低分辨率输入生成高分辨率的超光谱图像.
- 拟议的无监督方法显著提高了超频谱遥感数据的图像质量和分析潜力.
- 该模型展示了卓越的性能和效率,为具有挑战性的图像超分辨率任务提供了有希望的解决方案.
关键词:
加速计优化优化加速计优化弗雷切开始的距离距离生成对抗网络 (GAN) 是一种产生对抗网络.戈珀茨函数是指一个函数.高分辨率 (HR) 图像的图像开始得分开始得分.低分辨率 (LR) 图像的图像这是一个PSNR.遥感图像 遥感图像 遥感图像在SSIM中,SSIM就是SSIM.香农高斯斯波器 香农高斯斯波器超级分辨率 (SR) 超级分辨率 (SR) 超级分辨率 (SR) 超级分辨率更多相关视频
07:05Applying Hyperspectral Reflectance Imaging to Investigate the Palettes and the Techniques of Painters
Published on: June 18, 2021
2.4K
08:49Author Spotlight: Unveiling the Potential of VSFG Microscopy in Studying Mesoscopically Heterogeneous Self-Assembled Structures
Published on: December 1, 2023
1.3K
