AAAI2024最佳解读|Deep Unfolded Network with Intrinsic Supervision for Pan-Sharpening-water-merged

论文标题

Deep Unfolded Network with Intrinsic Supervision for Pan-Sharpening 具有内在监督的深度展开网络用于全色锐化

论文链接

Deep Unfolded Network with Intrinsic Supervision for Pan-Sharpening论文下载

论文作者

Hebaixu Wang, Meiqi Gong, Xiaoguang Mei, Hao Zhang, Jiayi Ma

内容简介

本文提出了一种具有内在监督的可解释深度展开网络，用于全色锐化（pan-sharpening）。现有的深度全色锐化方法在中间层缺乏对全色（PAN）和多光谱（MS）模态之间互补信息的学习，且由于黑盒设计而表现出较低的可解释性。为此，本文将全色锐化任务表述为具有空间一致性和光谱投影先验的变分模型最小化问题。通过在中间层进行监督，该方法能够选择性地提供高频信息以增强空间细节，同时约束MS和PAN图像之间的强度相关性，从而提高光谱保真度。实验结果表明，所提出的方法在多个数据集上优于现有技术，展现出良好的泛化能力。

分点关键点

1. 变分模型优化

   • 本文将全色锐化问题表述为一个变分模型优化问题，结合空间一致性先验和光谱投影先验，以提高空间质量和增强模态相关性。通过对PAN和MS图像的联合成分分解，提取内在特征。

2. 内在监督机制

   • 通过在中间层进行内在监督，网络能够有效地选择性提供高频信息，增强空间细节，同时保持光谱响应的平滑性。这种机制提高了网络的可解释性，使得学习到的特征与物理观测结果更加一致。

3. 深度展开网络架构

   • 提出了一个深度展开网络，包含多个阶段，设计与优化算法中的迭代相一致。每个阶段交替更新三个变量（U、V和H），并采用不同的网络架构（UNet、VNet和HNet）来实现。

4. 实验验证与结果

   • 在多个卫星数据集（如GaoFen-2、Quickbird和WorldView-II）上进行了广泛的实验，结果表明所提出的方法在定性和定量评估中均优于现有的最先进技术，展现出显著的泛化能力。

论文代码

代码链接：https://github.com/Baixuzx7/DISPNet

中文关键词

1. 全色锐化
2. 深度学习
3. 内在监督
4. 变分模型
5. 空间一致性
6. 光谱投影

AAAI论文合集：

AAAI论文合集

希望这些论文能帮到你！如果觉得有用，记得点赞关注哦~ 后续还会更新更多论文合集！！