逐步结构保护和细节精细化用于远程传感单图像超分辨率的远程传感.

科学领域:

• 遥感 遥感 遥感 遥感
• 计算机视觉 计算机视觉
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 传统的深度学习模型用于远程传感图像超分辨率 (RSISR) 通常在上采样时丢失信息,限制图像质量.
• 遥感图像的复杂性挑战了结构完整性和精细纹理的保护.
• 变压器模型改进了全球特征捕获,但可能是多余的,错过了局部细节.

研究的目的:

• 为增强的RSISR提出一种新的渐进结构保护和细节精细化超分辨率 (PSPDR-SR) 模型.
• 为了提高结构完整性和精细细节的保存在超高分辨率的遥感图像.
• 解决现有模型在处理复杂的遥感图像特征方面的局限性.

主要方法:

• 该PSPDR-SR模型使用两个子网络:结构意识超分辨率 (SaSR) 和细节恢复和精细化 (DR&R).
• 粗至细动态信息传输 (C2FDIT) 和细至粗动态信息传输 (F2CDIT) 模块利用多层和多尺度的功能.
• 动态信息传输模块 (DITM) 集成变压器和卷积长短期内存 (ConvLSTM) 进行双向特征传输.

主要成果:

• 在基准数据集上,PSPDR-SR模型表现出高于最先进的方法的性能.
• 定量和定性评估显示,在结构保存和细节增强方面有显著的改进.
• 像SSIM,MS-SSIM,LPIPS,DISTS,SCC和SAM这样的关键指标证实了该模型的有效性.

结论:

• 拟议的PSPDR-SR模型通过保护结构和精细细节,有效地提高了遥感图像的超分辨率.
• 动态信息传输模块促进了全面的功能融合,并减轻了冗余性.
• PSPDR-SR为高保真遥感图像重建提供了一个有前途的解决方案.