扫码下载APP

您的位置

资讯详情

本人可编辑资讯

仅支持在APP编辑资讯扫描二维码即可下载APP

西安交通大学Zhihan, Ren:用于遥感图像超分辨率的上下文感知边缘增强GAN

论论资讯 | 2024-02-23 3热度

IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing

Explore content

About the journal

Publish with us

Context aware Edge-Enhanced GAN for Remote Sensing Image Super-Resolution

Ren Z.; He L.; Lu J.

Published:2023-01-01
DOI:10.1109/jstars.2023.3333271

研究背景

遥感图像在土地覆盖分类和建筑物提取等许多领域中都是必不可少的。然而,由于复杂的退化过程和硬件限制,直接获取的遥感图像与实际场景之间存在巨大差异,这严重影响了相同分类或分割模型的性能。因此,使用超分辨率(SR)算法来改善图像质量并实现更好的结果是一种有效的方法。然而,当前的SR方法只关注SR和高分辨率(HR)图像之间像素值的相似性,而不考虑感知相似性,这通常会导致过度平滑和模糊的边缘细节问题。此外,目前对于遥感图像的人类视觉习惯和机器视觉应用的关注还很少。

研究内容

在这项研究中,研究人员提出了一种名为Context aware Edge-Enhanced Generative Adversarial Network (CEEGAN)的SR框架,用于重建实际情景中可实际应用的视觉上令人愉悦的图像。在CEEGAN的生成器中,研究人员构建了一个Edge Feature Enhanced Module (EFEM),通过将边缘特征与上下文信息相结合来增强边缘。设计了一个Edge Restoration Block (ERB),用于融合EFEM增强的多尺度边缘特征并重构一个精细的边缘地图。此外,研究人员设计了一个Edge Loss函数来约束生成的SR和HR在边缘域的相似性。实验结果表明,他们提出的方法可以获得更好的重建性能的SR图像。同时,CEEGAN可以在机器视觉应用的分类和语义分割数据集上取得最佳结果。

研究意义

本研究的创新点在于提出了一种新的SR框架,可以在实际场景中实际应用的视觉上令人愉悦的图像。通过结合边缘特征和上下文信息来增强边缘,设计了一个Edge Loss函数来约束生成的SR和HR在边缘域的相似性,从而解决了当前SR方法存在的问题。同时,该方法可以在机器视觉应用的分类和语义分割数据集上取得最佳结果,具有实际应用价值。

微信扫码即可查看