GDSR：基于小波损失的全局-细节双分支网络集成用于遥感图像超分辨率

近年来，深度神经网络包括卷积神经网络、Transformer 和状态空间模型在遥感图像（RSI）超分辨率（SR）方面取得了显著进展。然而，现有SR方法通常忽视全局与局部依赖之间的互补关系。这些方法要么关注捕获局部信息，要么优先处理全局信息，导致模型无法有效同时捕获全局和局部特征。此外，这些方法在处理大规模RSIs时计算成本高昂。为解决这些挑战，我们首次将感受度加权键值（RWKV）应用于RSI-SR，该方法以线性复杂度捕获长程依赖。为同时建模全局和局部特征，我们提出了Global-Detail双分支结构GDSR，通过并行RWKV和卷积运算实现SR以处理大规模RSIs。此外，我们提出Global-Detail Reconstruction模块（GDRM）作为两个分支之间的中介，以桥接其互补角色。进而，我们提出Dual-Group Multi-Scale Wavelet Loss，通过双组子带策略和跨分辨率频率对齐实现RSI-SR中增强的重建保真度。针对Aid、UCMerced和RSSRD-QH等多个基准数据集在两种退化方法下的大量实验表明，GDSR相较于基于Transformer的方法HAT在PSNR上平均提高0.09 dB，仅使用其参数的63%和FLOPs的51%，实现推理速度快3.2倍。