.png){kind=icon}
返回
Demystifying SAR with attention
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.127182.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
合成孔径雷达（SAR）影像对于地球观测至关重要，能够实现在云层覆盖和黑暗等恶劣条件下的数据采集。然而，其灰度格式和斑点噪声限制了可解释性，并对传统处理方法构成重大挑战。本研究提出了一种基于注意力机制的SAR图像着色创新框架，利用了带有梯度惩罚的Wasserstein生成对抗网络（WGAN-GP）。该模型通过引入多头自注意力机制来增强特征提取、捕捉长距离依赖关系，并借助新颖的基于方差的注意力调整机制动态抑制噪声。在Sentinel-1和Sentinel-2数据集上针对农业、城市区域、裸地和草地等多样化地形进行的广泛评估表明，该模型优于现有方法。其LPIPS得分为0.27，SSIM为0.76，平均推理时间为0.22秒，展示了在复杂、噪声环境下保持空间一致性和感知质量的能力。这一功能支持在灾害管理、洪水监测和城市规划中的实时应用，提供可操作的见解，并推动SAR图像处理领域的最新进展。
Keyword:
Attention
Deep learning
Generative adversarial networks
Image colorization
Image restoration
Multihead attention
Noise
SAR
Sentinel
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
.png){kind=icon}
Unpaired Image-to-Image Translation Using Cycle-Consistent Adversarial Networks使用循环一致的对抗网络进行不成对的图像到图像的翻译
OAAI
OAAI分享收藏分享收藏Few-shot medical image segmentation using a global correlation network with discriminative embedding使用具有判别嵌入的全局相关网络进行少镜头医学图像分割OAAI
OAAI分享收藏
P
2
SAM:
Probabilistically Prompted SAMs Are Efficient Segmentator for Ambiguous Medical Images
P
2
SAM:
概率提示的SAM是针对模糊医学图像的高效分割器
PREAI
分享收藏
查看更多内容