PC-GANs：用于全色锐化的渐进补偿生成对抗网络
图像与视频处理
2022-08-01 v1 计算机视觉与模式识别
摘要
多光谱图像与全色图像的融合通常被称为全色锐化（pan-sharpening）。大多数现有的基于深度学习的全色锐化方法通过一步式方案对多光谱图像进行锐化，这强烈依赖于网络的重建能力。然而，遥感图像往往具有较大变化，因此这些一步式方法易受误差累积的影响，从而无法同时保留空间细节与光谱信息。本文提出一种新颖的两步式全色锐化模型，通过对空间与光谱信息的渐进补偿来锐化多光谱（MS）图像。首先，利用深度多尺度引导生成对抗网络初步增强MS图像的空间分辨率。从粗域中预锐化的MS图像出发，我们的方法随后在一对具有逆向架构的生成对抗网络（GANs）上渐进细化空间与光谱残差。整个模型由三个GAN组成，并基于该特定架构设计了一种联合补偿损失函数，以使三个GAN能够同时训练。此外，本文提出的空间-光谱残差补偿结构可扩展至其他全色锐化方法以进一步提升其融合结果。在不同数据集上进行了大量实验，结果证明了我们所提方法的有效性与高效性。
引用
@article{arxiv.2207.14451,
title = {PC-GANs: Progressive Compensation Generative Adversarial Networks for Pan-sharpening},
author = {Yinghui Xing and Shuyuan Yang and Song Wang and Yan Zhang and Yanning Zhang},
journal= {arXiv preprint arXiv:2207.14451},
year = {2022}
}
备注
36 pages