MoCoLSK: 用于地表温度降尺度的模态条件高分辨率网络
计算机视觉与模式识别
2025-03-04 v2 图像与视频处理
摘要
地表温度(LST)是环境研究中的一个关键参数，但由于卫星遥感中存在的时空权衡，直接获取高空间分辨率的LST数据仍然具有挑战性。引导式LST降尺度已成为克服这些限制的替代解决方案，但当前方法常常忽略空间非平稳性，并且缺乏用于深度学习方法的开源生态系统。在本文中，我们提出了模态条件大选择核(MoCoLSK)网络，这是一种新颖的架构，通过模态条件投影动态融合多模态数据。MoCoLSK实现了动态感受野调整和多模态特征融合的汇合，从而提高了LST预测的准确性。此外，我们建立了GrokLST项目，这是一个全面的开源生态系统，包含GrokLST数据集（一个高分辨率基准）和GrokLST工具包（一个基于PyTorch的开源工具包，封装了MoCoLSK以及40多种最先进的方法）。大量的实验结果验证了MoCoLSK在捕获多光谱数据中复杂依赖关系和细微变化方面的有效性，在LST降尺度方面优于现有方法。我们的代码、数据集和工具包可在https://github.com/GrokCV/GrokLST获取。
引用
@article{arxiv.2409.19835,
title = {MoCoLSK: Modality Conditioned High-Resolution Downscaling for Land Surface Temperature},
author = {Qun Dai and Chunyang Yuan and Yimian Dai and Yuxuan Li and Xiang Li and Kang Ni and Jianhui Xu and Xiangbo Shu and Jian Yang},
journal= {arXiv preprint arXiv:2409.19835},
year = {2025}
}
备注
Accepted by IEEE TGRS