基于概率的全局跨模态上采样用于全色锐化
计算机视觉与模式识别
2023-03-27 v1
摘要
全色锐化是遥感图像处理中一项关键的预处理步骤。尽管深度学习（DL）方法在该任务上表现良好，当前这些方法中所用的上采样仅利用了低分辨率多光谱（LRMS）图像中每个像素的局部信息，而忽视了挖掘其全局信息以及引导全色（PAN）图像的跨模态信息，这限制了其性能提升。为解决此问题，本文提出一种新颖的基于概率的全局跨模态上采样（PGCU）方法用于全色锐化。具体而言，我们首先从概率视角形式化PGCU方法，随后设计一个高效的网络模块来实现它，通过充分利用上述信息并同时考虑通道特异性。PGCU模块由三个块组成，即信息提取（IE）、分布与期望估计（DEE）以及精细调整（FA）。大量实验验证了PGCU方法相对于其他流行上采样方法的优越性。此外，实验也表明PGCU模块可帮助提升现有SOTA深度学习全色锐化方法的性能。代码见 https://github.com/Zeyu-Zhu/PGCU。
引用
@article{arxiv.2303.13659,
title = {Probability-based Global Cross-modal Upsampling for Pansharpening},
author = {Zeyu Zhu and Xiangyong Cao and Man Zhou and Junhao Huang and Deyu Meng},
journal= {arXiv preprint arXiv:2303.13659},
year = {2023}
}
备注
10 pages, 5 figures