.png){kind=icon}
返回
Hybrid Deep Learning Models for Remote Sensing Image Processing
.png){kind=icon}
PRE
AI
DOI：10.1109/jproc.2025.3638871.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
核心图像处理任务，如超分辨率、去噪、去模糊、全色锐化以及大气校正，构成了所有光学遥感（RS）流水线的基础。这一阶段的误差会传播至下游应用，导致土地覆盖图失真、变化检测和气候记录的偏差。经典基于物理的模型能够捕捉传感器光学、辐射度和几何特性，但在处理复杂噪声和场景变异性方面存在困难。相比之下，深度学习（DL）方法提供了强大的数据驱动解决方案，但通常作为“黑箱”运作，忽略物理约束并易过拟合于虚假模式。混合深度学习（HDL）方法通过将物理模型与神经网络架构相结合，弥补了这一差距，兼顾可解释性和数据适应性。本文综述了遥感图像处理中HDL方法的新兴格局，概述了其理论基础、动机和设计理念。我们将融合策略分为模型嵌入方案（如“即插即用”PnP和展开方法）与模型引导学习（如深度图像先验DIP和无监督框架），并讨论它们如何增强遥感图像分析中的可信度、鲁棒性和物理一致性。
Keyword:
Deep image prior (DIP)
deep learning (DL)
hybrid method
image processing
physical model
plug-and-play (PnP)
remote sensing (RS)
unrolling
期刊
IF:
25.9
论文数:
9.9K
被引数:
4.5W
机构
引用论文
分享收藏RSHazeDiff: A Unified Fourier-Aware Diffusion Model for Remote Sensing Image DehazingRSHazeDiff: 用于遥感图像去模糊的统一傅立叶感知扩散模型
PREAI
分享收藏Hyperspectral Image Denoising Employing a Spatial-Spectral Deep Residual Convolutional Neural Network基于空间光谱深度残差卷积神经网络的高光谱图像去噪
OAAI
OAAI分享收藏Blind spectral unmixing based on sparse component analysis for hyperspectral remote sensing imagery基于稀疏分量分析的高光谱遥感图像光谱盲分解
PREAI
分享收藏Land Surface Temperature Estimation from Landsat-9 Thermal Infrared Data Using Ensemble Learning Method Considering the Physical Radiance Transfer Process.png)
LAND
OAAI
LANDIF3.2
OAAI分享收藏
查看更多内容