一种用于遥感全色锐化的通用自适应双层加权机制
计算机视觉与模式识别
2025-03-24 v3 人工智能
摘要
目前，基于深度学习的遥感全色锐化方法发展迅速。然而，许多现有方法难以充分利用特征的异质性和冗余性，从而限制了其有效性。我们使用协方差矩阵对特征的异质性和冗余性进行建模，并提出相关性感知协方差加权（CACW）来对其进行调整。CACW 通过协方差矩阵捕获这些相关性，然后通过非线性函数处理以生成用于调整的权重。在 CACW 的基础上，我们引入了一种通用的自适应双层加权机制（ADWM），从两个关键视角应对这些挑战，从而增强广泛的现有深度学习方法。首先，特征内加权（IFW）评估每个特征内通道之间的相关性，以减少冗余并增强独特信息。其次，跨特征加权（CFW）基于层间相关性调整跨层的贡献，从而优化最终输出。大量实验表明，与最近的最先进（SOTA）方法相比，ADWM 具有优越的性能。此外，我们通过通用性实验、冗余可视化、对比实验、关键变量与复杂性分析以及消融研究验证了该方法的有效性。代码可在 https://github.com/Jie-1203/ADWM 获取。
引用
@article{arxiv.2503.13214,
title = {A General Adaptive Dual-level Weighting Mechanism for Remote Sensing Pansharpening},
author = {Jie Huang and Haorui Chen and Jiaxuan Ren and Siran Peng and Liangjian Deng},
journal= {arXiv preprint arXiv:2503.13214},
year = {2025}
}
备注
This paper is accepted at the CVPR Conference on Computer Vision and Pattern Recognition 2025