weixin_43690932的博客

（基于边缘引导注意力网络的跨传感器遥感图像超分辨率）基于深度学习的超分辨率（SR）方法在重建理想模拟的高质量遥感图像数据集方面取得了显著进展。然而，由于复杂的退化因素引起的图像质量的变化很大，它们的性能显着降低对不同的卫星传感器获取的真实世界的图像。具体来说，我们建立一个退化池—低分辨率（LR）的目标传感器，以模拟从源传感器获得的高分辨率（HR）图像产生一个退化的训练数据集。此外，EGASR网络被嵌入到跨传感器SR框架重建HR结果与相关精致的细节。

（用于全色锐化的零次半监督学习）全色锐化是指融合低分辨率多光谱图像（LRMS）和高分辨率全色（PAN）图像以生成高分辨率多光谱图像（HRMS）。传统的全色锐化方法使用单对LRMS和PAN以全分辨率生成HRMS，但是由于融合产物之间的线性关系（通常不准确）的假设，它们无法生成高质量的融合产物。卷积神经网络方法，即，有监督和无监督学习方法可以对数据之间的任意非线性关系建模，但。此外，监督方法依赖于模拟降低分辨率的数据进行训练，导致全分辨率的信息丢失。

(MMDN：多尺度多蒸馏扩张泛锐化网络)全色锐化是一项涉及遥感图像信息集成和处理的技术。将低空间分辨率的多光谱图像与全色图像进行有效融合，生成高分辨率的多光谱图像。在本文中，我们提出了一种端到端的多尺度多蒸馏扩张网络(MMDN)来进行泛锐化。在MMDN中，为了从源图像中提取更丰富的空间细节，提出了一种基于clique构的多尺度扩张块（CSMDB）。CSMDB中的clique结构可以充分传递多尺度扩张卷积滤波器获得的特征图之间的信息。

（基于自适应高频融合和注入系数优化的全色锐化）全色锐化的目的是将多光谱（MS）图像与全色（PAN）图像融合，以生成高空间分辨率的多光谱（HRMS）图像。，提出了一种基于自适应高频融合和注入系数优化的全色锐化方法，能够获得准确的注入高频分量（HFC）和注入系数。首先，我们提出了一个来增强MS图像的空间信息，然后从锐化的MS图像和PAN图像中提取HFCs。然后，设计了一种，通过计算提取的HFC的相似性和差异性来获得准确的注入HFC。

（PRINET：先验驱动的光谱超分辨网络）光谱超分辨率是指直接从RGB图像重建高光谱图像。近年来，卷积网络已经成功地用于这一任务。然而，很少有人考虑到高光谱图像的具体属性。在本文中，我们试图设计一个超分辨率网络，名为PriNET，基于两个先验知识的高光谱图像。第一个是谱相关。根据这一性质，我们设计了一个分解网络来重建高光谱图像。在该网络中，高光谱图像的整个光谱波段被分成几组，并提出了多个残差网络分别重建它们。第二个知识是高光谱图像应该能够生成其对应的RGB图像。受此启发，我们设计了一个自监督网络来微调分解网

（一种用于高光谱与多光谱图像融合的空间-光谱双优化模型驱动深度网络）深度学习，特别是卷积神经网络（CNN），在多光谱（MS）和高光谱（HS）图像融合（MS/HS融合）任务中显示出非常有前途的结果。大多数现有的CNN方法都是基于“黑盒”模型，这些模型不是专门为MS/HS融合设计的，这在很大程度上，从而留下了进一步改进的空间。在本文中，我们提出了一种可解释的网络，称为空间-光谱双重优化模型驱动的深度网络（S2DMDN），它。该算法有两个主要特点：1）将输入MS和HS图像明显具有的;

（基于卷积和Transformer联合网络的卫星多光谱图像光谱重建）基于卫星多光谱（MS）图像的光谱重建（SR）可以以合理的成本获得高空间分辨率的高光谱（HS）图像，极大地扩展了星载HS遥感的应用。作为一个具有挑战性的不适定问题，现有方法难以充分利用空间和光谱的局部和全局信息来指导重建，导致在具有复杂地物和严重光谱混合的大规模场景中重建精度有限。在这篇文章中，我们提出了一种新的卷积和Transformer联合网络（CTJN），以解决复杂场景中高精度SR的挑战。

（用于多光谱和全色图像融合的零参考GAN）本文提出了一种融合低空间分辨率多光谱(LR MS)和高空间分辨率全色(PAN)图像的新的全色锐化方法–零参考生成对抗网络(ZeRGAN)。在该方法中，。为了得到准确的融合结果，我们在一组多尺度生成器和它们对应的鉴别器之间建立了一个对抗性博弈。通过多尺度生成器，融合的高空间分辨率MS（HRMS）图像逐步从LR MS和PAN图像产生，而。换句话说，在优化ZeRGAN之后，从LR MS和PAN图像生成HR MS图像。此外，我们构建了一个。

（光谱响应函数引导的深度优化驱动网络光谱超分辨）高光谱图像（HSI）是许多研究工作的关键。光谱超分辨率（SSR）是一种用于从HR多光谱图像获得高空间分辨率（HR）HSI的方法。传统的SSR方法包括模型驱动算法和深度学习。通过展开变分方法，本文提出了一种具有，从而产生物理上可解释的网络。与完全数据驱动的CNN不同，。此外，信道注意模块（CAM）和重新制定的频谱角映射损失函数，以实现一个有效的重建模型。

（SSR-NET：用于高光谱和多光谱图像融合的空间-光谱重构网络）将低空间分辨率高光谱图像（LR-HSI）与高空间分辨率多光谱图像（HR-MSI）融合重建高空间分辨率高光谱图像（HR-HSI）是近年来的一个重要研究课题。然而，现有的方法在重建HR-HSI时仍然难以实现空间模式和谱模式的跨模式信息融合。在这篇文章中，基于卷积神经网络（CNN），一个可解释的空间光谱重建网络（SSR-NET）提出了更有效的HSI和MSI融合。更具体地说，所提出的SSR-NET是一个。

（基于卷积神经网络的空间-光谱联合超分辨）具有高空间和光谱分辨率的图像已经在许多应用中受益，例如矿物学和监视。然而，由于传感器技术的限制，很难获得这样的图像。最近，已经提出了超分辨率（SR）技术来提高图像的空间或光谱分辨率，例如，提高高光谱图像（HSI）的空间分辨率或提高彩色图像的光谱分辨率（从RGB输入重建HSI）。然而，没有研究试图同时提高空间和光谱分辨率。在本文中，这两种类型的分辨率使用卷积神经网络（CNN）联合改进。

A Spatial–Spectral Joint Attention Network for Change Detection in Multispectral Imagery（一种用于多光谱图像变化检测的空间-光谱联合注意网络）变化检测是通过比较双时相图像来确定和评估变化，这是遥感领域的一项具有挑战性的任务。为了更好地利用高级特征，基于深度学习的变化检测方法引起了研究人员的关注。大多数基于深度学习的方法仅同时探索空间-光谱特征。然而，我们认为关键的空间变化领域应该是更重要的，并应注意到特定的波段，可以

（基于CNN的光谱-空间特征分割提取多光谱图像压缩）近年来，多光谱成像技术的迅速发展引起了各领域的高度重视，这就不可避免地涉及到图像的传输和存储问题。针对这一问题，提出了一种基于光谱空间特征分割提取的端到端多光谱图像压缩方法。整个多光谱图像压缩框架是基于卷积神经网络（CNN），其创新之处在于特征提取模块被分为两个并行部分，一个是光谱部分，另一个是空间部分。首先，利。在特征提取之后，光谱和空间特征被逐元素融合，随后进行下采样，这可以减小特征图的大小。然后，通过量化和无损熵编码将数据转换为比特流。

（多光谱图像与全色图像融合的光谱-空间交互网络）近年来，随着深度学习（DL）的快速发展，越来越多的基于DL的方法被应用于全色锐化。得益于深度学习强大的特征提取能力，基于DL的方法在全色锐化方面取得了最先进的性能。然而，大多数基于DL的方法只是简单地通过拼接来融合多光谱（MS）图像和全色（PAN）图像，不能充分利用MS图像和PAN图像各自的光谱信息和空间信息。为了解决这个问题，我们提出了一个频谱空间相互作用网络（SSIN）的pansharpening。

(Mun-GAN：一种多尺度无监督遥感图像泛锐化网络)在遥感图像融合中，全色锐化是一种遥感图像融合方法，旨在融合全色（PAN）图像和多光谱（MS）图像，以产生高分辨率的MS（HRMS）图像。基于深度学习的泛锐化技术提供了一系列先进的无监督算法。然而，存在几个挑战：1）现有的无监督泛锐化方法只考虑了单尺度特征的融合;2）对于MS和PAN图像特征分支的融合，现有的泛锐化方法都是直接通过级联求和来实现，没有关注关键特征或抑制冗余特征;以及3）网络体系结构的长跳跃连接中的语义间隙将产生意想不到的结果。

Semisupervised Spectral Degradation Constrained Network for Spectral Super-Resolution（基于半监督光谱退化约束网络的光谱超分辨）最近，已经设计了各种基于深度学习的方法来提高多光谱图像（MSI）的光谱分辨率以获得高光谱图像（HSI）。这些方法通常依赖于足够的MSI/HSI对进行监督训练。然而，收集大量的HSI是耗时的。在这封信中，半监督光谱退化约束网络（SSDCN）提出了提高光谱分辨率的MSI。SSDCN是自动编码器类网络

（PSRT：用于多光谱与高光谱图像融合的金字塔混洗Transformer）Transformer在计算机视觉中受到了很多关注。由于Transformer具有全局自关注特性，其与令牌数成二次关系，限制了其实际应用。因此，计算复杂度的问题，可以有效地解决通过。在这篇文章中，我们提出了一种新的金字塔Shuffle-and-Reshuffle Transformer（PSRT）的任务，多光谱和高光谱图像融合（MHIF）。

（基于多尺度增强网络的遥感图像超分辨率）近年来，遥感图像因其特殊的价值而引起了人们的广泛关注。然而，卫星遥感图像通常是低分辨率的，因此遥感图像与普通数字图像相比难以推断高频细节，这意味着它们不能满足某些下游任务的需要。我们提出了一个（MEN），它使用遥感图像的多尺度特征，以提高网络的重建能力。具体地，网络提取LR遥感图像的粗糙特征使用卷积层。然后，这些特征被馈送到该网络提出的多尺度增强模块（MEM），该模块，最后，由重建模块生成最终的重建图像。

（基于递归混合尺度特征融合的无监督生成对抗网络泛锐化）全色锐化(pansharpening)是提高多光谱图像空间分辨率的重要技术。大多数模型都是在降低分辨率下实现的，导致在全分辨率下的结果不理想。此外，在细节注射中，质谱与全色(PAN)图像之间的复杂关系往往被忽略。针对上述问题，建立了基于递归混合尺度特征融合的无监督生成对抗网络(RMFF-UPGAN)模型，以提高空间分辨率并保留光谱信息。RMFF-UPGAN包括一个发生器和两个u型鉴别器。生成器中设计了双流梯形支路，以获取多尺度信息。在此基础上，设计了递归

以保证中间和底部的流网络有助于生成HRMS。

Mutiscale Hybrid Attention Transformer for Remote Sensing Image Pansharpening（用于遥感图像泛锐化的多尺度混合注意力Transformer）泛锐化方法在遥感图像处理中起着至关重要的作用。现有的泛锐化方法普遍存在光谱失真和缺乏空间细节信息的问题。为了缓解这些问题，我们提出了一种多尺度混合注意力转换泛锐化网络(MHATP-Net))。在该网络中，首先通过包含卷积块注意模块(CBAM)和动态卷积块的浅特征提取模块(SFEM)获取浅特征

1）我们引入了一个新的角度，制定泛锐化作为一个指导的超分辨率问题，这是通过同时利用来自频域和空间域的信息来解决的。2）提出了一种新的用于全色锐化的多尺度双域制导网络。它包括两个子网：空间引导子网和频率引导子网。这种设计允许从空间域和频域的多尺度信息的融合，这提高了模型的能力。3）各种数据集上的严格评估表明，我们的方法的定量和定性的优于现有的国家的最先进的算法。

（基于跨尺度非局部注意的高光谱图像超分辨率网络）高光谱图像（HSI）超分辨率通常是指将低空间分辨率HSI（LRHSI）与高空间分辨率多光谱/全色图像（HRMPI）融合得到高空间分辨率HSI（HRHSI）。现有的融合方法。此外，大多数采用卷积神经网络（CNN）结构的基于深度学习（DL）的方法受到其，并且难以利用图像特征的全局依赖性。

仅供自己参考

仅供自己参考

仅供自己参考

仅供自己参考

仅供自己参考

仅供自己参考

仅供自己参考

仅供自己参考

仅供自己参考

仅供自己参考

仅供自己参考

仅供自己参考

仅供自己参考

仅供自己参考

传感器系统在处理传递到网络核心和接收器的数据量方面面临困难。定制的算法有助于解决这样的问题，特别是对于网络节点。这些算法还用于电池强度、微电子、医疗保健和其他应用的研究。卫星有大量的应用，从天气，通信，军事，间谍，地球观测，成像卫星等，从卫星传感器拍摄的图像可以是全色，多光谱或高光谱的性质。全色图像是灰度图像，只有一个波段。多光谱图像通常具有3至10个光谱带，而高光谱具有数百个带。扫描仪在电磁频谱的特定区域中起作用。由于多光谱图像描绘了多次阅读地球的相同空间区域，因此获得的信息是立方体的形式。

仅供自己参考

仅供自己参考