利用数字表面模型推断遥感图像超分辨率
计算机视觉与模式识别
2022-12-07 v2 机器学习
图像与视频处理
摘要
尽管大量成功的超分辨率重建(SRR)模型已应用于自然图像,但它们在遥感影像上的应用往往产生较差的结果。遥感影像通常比自然图像更复杂,并具有其特殊性,例如分辨率较低、包含噪声,且常描绘大纹理表面。因此,在非专门的 SRR 模型上应用遥感影像会导致伪影和较差的重建。为解决这些问题,本文提出一种受先前研究工作启发的架构,引入一种新颖的方法迫使 SRR 模型输出真实的遥感图像:模型不考虑作为感知损失的特征空间相似性,而是考虑从图像的归一化数字表面模型(nDSM)推断出的像素级信息。该策略允许在模型训练期间进行信息更充分的更新,其来源是与遥感密切相关的任务(高程图推断)。尽管如此,在生产过程中不需要 nDSM 辅助信息,因此模型除低分辨率图像对外不需要任何额外数据即可推断超分辨率图像。我们在两个具有不同空间分辨率且包含图像 DSM 对的遥感数据集上评估我们的模型:DFC2018 数据集和包含卢森堡全国 Lidar 航飞的数据集。基于视觉检查,推断出的超分辨率图像表现出特别优越的质量。特别是,高分辨率 DFC2018 数据集的结果真实且与地面真值图像几乎无法区分。
引用
@article{arxiv.2205.04056,
title = {Exploiting Digital Surface Models for Inferring Super-Resolution for Remotely Sensed Images},
author = {Savvas Karatsiolis and Chirag Padubidri and Andreas Kamilaris},
journal= {arXiv preprint arXiv:2205.04056},
year = {2022}
}