基于[公式:参见文本]N的远程传感多图像超分辨率的研究.
Wenxin Liu1, Shengbing Che2, Wanqin Wang1
1College of Computer Science and Mathematics, Central South University of Forestry & Technology, Changsha, 410004, Hunan, China.
Scientific reports
|March 20, 2025
概括
这项研究引入了一种新的深度学习模型,用于增强远程传感图像分辨率. 拟议的网络有效地融合了空间和时间特征,大大提高了图像质量和细节,以便更好地分析.
科学领域:
- 地球观测 地球观测
- 计算机视觉 计算机视觉
- 地理空间分析的研究.
背景情况:
- 高分辨率 (HR) 遥感图像至关重要,但由于传感器的局限性和成本,其获取具有挑战性.
- 现有的超分辨率方法往往难以有效地整合空间和时间信息.
研究的目的:
- 开发一个先进的深度学习模型,用于多图像遥感超分辨率.
- 提高时空特征的提取和融合,以改善图像重建.
主要方法:
- 提出了端到端的多图像遥感超分辨率与增强的时空特征交互融合网络 (N).
- 使用基于注意的特征编码器 (ABFE) 与道注意区块 (CAB) 进行空间特征提取.
- 实施了剩余时间注意区块 (RTAB) 和ConvGRU-RTAB融合模块 (CRFM) 用于时间特征建模和融合.
主要成果:
- 在PROBA-V数据集上,达到49.69dB (NIR) 和51.57dB (RED) 的峰值信号噪声比 (cPSNR) 中取得了显著的改进.
- 与TR-MISR和MAST等最先进的方法相比,在重建图像中显示出更高的视觉质量.
结论:
- [公式:见文本]N模型有效地解决了HR遥感图像采集的局限性.
- 拟议的方法为高质量的超分辨率重建提供了强大的解决方案,提高了遥感数据的实用性.


