.png){kind=icon}
返回
Research on Cross-Sensor Remote Sensing Image Super-Resolution Method Based on Diffusion Models
.png){kind=icon}
OA
AI
DOI：10.1109/JSTARS.2025.3590687.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在遥感图像（RSI）超分辨率（SR）领域，传统深度学习方法已取得显著进展。然而，这些方法在处理跨传感器图像的复杂映射关系时存在困难。尽管生成对抗网络能够重建精细细节，但其训练过程相对复杂。近期，基于扩散的生成模型通过迭代反向扩散机制有效提升了重建图像的视觉质量。因此，本研究提出了一种基于扩散模型的跨传感器RSI SR方法，旨在有效将低分辨率（LR）RSI重建为高分辨率（HR）图像，同时解决传感器差异和信息损失问题。为从LR图像中提取丰富的先验信息并改进图像重建，我们设计了先验特征提取模块，有助于恢复HR特征。此外，我们设计了高效采样策略，该策略以LR图像为起点逐步添加噪声，替代了传统以纯噪声为起点的做法。该方法利用LR图像作为马尔可夫链中间状态的近似，减少了扩散模型所需的步数，提高了生成效率。最后，我们采用Sentinel-2（10 m分辨率）和Gaofen-2（0.8 m分辨率）传感器的RSI验证了扩散模型的重建性能。实验结果表明，所提方法有效利用LR先验进行HR重建，同时降低了计算成本。
Keyword:
Deep learning
diffusion models
generative models
remote sensing
super-resolution (SR)
期刊
IF:
5.3
论文数:
1.7K
被引数:
3.0W
机构
引用论文
Remote Sensing Image Super-Resolution Using Sparse Representation and Coupled Sparse Autoencoder
.png){kind=icon}
PREAI
分享收藏
分享收藏
查看更多内容