用于遥感压缩伪影抑制的一二一网络
计算机视觉与模式识别
2018-04-03 v1
摘要
压缩伪影抑制（CAR）是遥感领域中的一个具有挑战性的问题。大多数近期基于深度学习的方法已展现出优于先前手工设计方法的性能。在本文中，我们提出一种端到端的一二一（OTO）网络，结合不同的深度模型，即求和模型与差分模型，以解决CAR问题。特别地，受拉普拉斯金字塔启发的差分模型旨在获取高频信息，而求和模型聚合低频信息。我们基于泰勒展开对OTO架构进行了深入探究，表明这两类信息可通过非线性方案融合，从而获得更强的处理复杂图像压缩伪影的能力，尤其是压缩中的块效应。我们进行了大量实验，在遥感数据集及其他基准数据集上相较于当前最优（SOTA）方法证明了OTO网络的优越性能。
引用
@article{arxiv.1804.00256,
title = {One-Two-One Networks for Compression Artifacts Reduction in Remote Sensing},
author = {Baochang Zhang and Jiaxin Gu and Chen Chen and Jungong Han and Xiangbo Su and Xianbin Cao and Jianzhuang Liu},
journal= {arXiv preprint arXiv:1804.00256},
year = {2018}
}