用于薄云去除的多头线性注意力生成对抗网络
计算机视觉与模式识别
2020-12-22 v1 图像与视频处理
摘要
在遥感图像中，薄云的存在是一种不可避免且普遍的现象，它严重降低了图像质量并限制了应用场景。因此，薄云去除是提升遥感图像利用率不可或缺的环节。通常，即便受薄云污染，像素仍或多或少保留地表信息。故不同于厚云去除，薄云去除算法通常侧重于抑制云的影响而非替换被云污染的像素。同时，考虑到被云遮挡的地表特征往往与邻近区域相似，输入各像素间的依赖关系有助于重建污染区域。本文为充分利用图像像素间依赖关系，提出一种用于薄云去除的多头线性注意力生成对抗网络（MLAGAN）。MLA-GAN 基于由多个基于注意力的层与反卷积层构成的编码-解码框架。与六种基于深度学习的薄云去除基准相比，在 RICE1 与 RICE2 数据集上的实验结果表明所提框架 MLA-GAN 在薄云去除上具有显著优势。
引用
@article{arxiv.2012.10898,
title = {Multi-Head Linear Attention Generative Adversarial Network for Thin Cloud Removal},
author = {Chenxi Duan and Rui Li},
journal= {arXiv preprint arXiv:2012.10898},
year = {2020}
}