PMAA：一种用于多时相卫星影像高性能去云的多尺度渐进注意力自编码器模型
计算机视觉与模式识别
2023-08-09 v2 机器学习
图像与视频处理
摘要
卫星影像分析在遥感中起着关键作用；然而，云覆盖导致的信息丢失严重阻碍了其应用。尽管现有的深度去云模型已取得显著成果，但它们很少考虑上下文信息。本研究提出了一种高性能去云架构，称为渐进多尺度注意力自编码器（Progressive Multi-scale Attention Autoencoder, PMAA），它利用一种新颖的多尺度注意力模块（Multi-scale Attention Module, MAM）和一种新颖的局部交互模块（Local Interaction Module, LIM），同时利用全局与局部信息来构建鲁棒的上下文依赖关系。PMAA 使用 MAM 建立多尺度特征的长程依赖，并利用 LIM 调节细粒度细节的重建，从而在同一层级上同时表征细粒度和粗粒度特征。借助多样且多尺度的特征，PMAA 在两个基准数据集上持续优于先前的 SOTA 模型 CTGAN。此外，PMAA 具有可观的效率优势，其参数量和计算复杂度分别仅为 CTGAN 的 0.5% 和 14.6%。这些综合结果凸显了 PMAA 作为一种轻量级去云网络的潜力，适合部署在边缘设备上以完成大规模去云任务。我们的源代码和预训练模型可在 https://github.com/XavierJiezou/PMAA 获取。
引用
@article{arxiv.2303.16565,
title = {PMAA: A Progressive Multi-scale Attention Autoencoder Model for High-performance Cloud Removal from Multi-temporal Satellite Imagery},
author = {Xuechao Zou and Kai Li and Junliang Xing and Pin Tao and Yachao Cui},
journal= {arXiv preprint arXiv:2303.16565},
year = {2023}
}
备注
Accepted by ECAI 2023