遥感图像 通过融合多尺度受体场和混合变压器进行超分辨率重建
Denghui Liu1, Lin Zhong2, Haiyang Wu1
1School of Electronics and Information, Xijing University, Xi'an, 710123, China.
Scientific reports
|January 17, 2025
概括
这项研究引入了一种改进的超分辨率模型,用于遥感图像,增强细节恢复和训练稳定性. 这种新的方法显著提高了性能指标,如峰值信号对噪声比 (PSNR) 和结构相似性指数 (SSIM).
科学领域:
- 遥感 遥感 遥感 遥感
- 计算机视觉 计算机视觉
- 图像处理 图像处理
背景情况:
- 在训练期间,超分辨率重建算法在遥感图像中遇到缺失的细节.
- 增强高频感知信息和纹理细节对于遥感应用至关重要.
研究的目的:
- 提出一个改进的遥感图像超分辨率重建模型.
- 解决缺少细节的挑战,提高超分辨率算法的训练稳定性.
主要方法:
- 发电机网络使用多尺度卷积内核和多头自我注意机制来进行特征提取和融合.
- 多阶段混合变压器结构过程的特点逐步跨分辨率进行增强的重建.
- 区分器包含多尺度卷积,全球变压器和层次特征,用于精细的图像质量评估.
- 使用Charbonnier和总变化 (TV) 损失函数来提高训练稳定性和融合速度.
主要成果:
- 与SRGAN算法相比,拟议的模型实现了显著的性能增长.
- 平均改善包括3.61dB的峰值信号与噪声比率 (PSNR),0.070 (8.2%) 的结构相似性指数 (SSIM) 和0.030 (3.1%) 的特征相似性指数 (FSIM).
- 证明了在遥感图像中捕获细节和全球信息的能力.
结论:
- 改进的超分辨率模型有效地增强了遥感图像中的感知信息和纹理细节.
- 新的架构和损失函数有助于优越的重建质量,细节恢复和训练效率.
- 该方法在多个数据集中显示了显著的性能改进,为远程传感图像超分辨率提供了有希望的解决方案.
