.png){kind=icon}
返回
DFSMamba: A Spatial–Frequency Collaborative Modeling Framework for Remote Sensing Image Super-Resolution
.png){kind=icon}
OA
AI
DOI：10.3390/rs18121910.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现有遥感图像单图像超分辨率方法存在全局感受野不足、高频纹理恢复弱以及计算复杂度过高等问题。为解决这些问题，本文提出DFSMamba，一种新颖的空间-频率协同建模框架。首先，语义连续-稀疏注意力通过动态分块和稀疏连接增强语义感知，同时保持线性复杂度，有效缓解固定窗口划分导致的语义截断问题。其次，自适应状态空间模块采用并行前向和后向状态空间模型分支实现双向长距离依赖建模，并引入激活引导特征融合机制以自适应增强语义相关区域。第三，离散傅里叶变换模块将图像映射至频域，建立全局无损感受野，并显式增强高频细节，弥补纯空域方法对频域信息利用不足的缺陷。在五个公开数据集上的实验表明，DFSMamba在×2至×4尺度下优于主流CNN、Transformer及Mamba基方法。在AID×3任务中，其PSNR达到31.48 dB，比MambaIRv2高出1.07 dB。消融实验验证了三个模块的正向协同效应，完整配置相比单模块设置PSNR提升0.85 dB。细粒度类别、多尺度输入及损失函数实验进一步证实了其鲁棒性和泛化能力，尤其在边缘和纹理细节重建方面表现突出。
Keyword:
remote sensing
super-resolution
mamba
discrete fourier transform
semantic attention
期刊
IF:
4.1
论文数:
7.8K
被引数:
15.1W
机构
引用论文
A Progressive Image Restoration Network for High-Order Degradation Imaging in Remote Sensing一种用于遥感高阶退化成像的渐进式图像修复网络
PREAI
分享收藏
Contextual Transformation Network for Lightweight Remote-Sensing Image Super-Resolution面向轻量级遥感图像超分辨率的上下文变换网络
PREAI
分享收藏Xie, C.; Zhang, X.; Li, L.; Fu, Y.; Gong, B.; Li, T.; Zhang, K. MAT: Multi-Range Attention Transformer for Efficient Image Super-Resolution. IEEE Trans. Circuits Syst. Video Technol. 2025. [Google Scholar] [CrossRef]谢, C.; 张, X.; 李, L.; 傅, Y.; 龚, B.; 李, T.; 张, K. MAT: 多范围注意力变换器用于高效图像超分辨率。IEEE 交易. 电路与系统视频技术. 2025. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏
查看更多内容