S3：一种用于全色锐化网络的谱-空间结构损失
计算机视觉与模式识别
2020-05-20 v2 图像与视频处理
摘要
近来，许多基于深度学习的全色锐化（pan-sharpening, PS）方法被提出，用于生成高质量的全色锐化卫星图像。这些方法关注各类卷积神经网络（CNN）结构，并通过简单地最小化网络输出与相应高分辨率多光谱（MS）目标图像之间的谱损失来进行训练。然而，由于不同的传感器特性和采集时间，高分辨率全色（PAN）与低分辨率 MS 图像对往往存在较大的像素错位，尤其是对于图像中的运动物体。仅使用谱损失在这些卫星图像数据集上训练的传统 CNN 常产生视觉质量较低的 PS 图像，包括在强边缘处的双边缘伪影以及运动物体上的重影伪影。在本文中，我们提出一种新颖的损失函数，称为谱-空间结构（S3）损失，其基于 MS 目标与 PAN 输入之间的相关图。我们提出的 S3 损失可非常有效地用于各类 CNN 结构的全色锐化，从而在抑制伪影的同时显著改善 PS 图像的视觉效果。
引用
@article{arxiv.1906.05480,
title = {S3: A Spectral-Spatial Structure Loss for Pan-Sharpening Networks},
author = {Jae-Seok Choi and Yongwoo Kim and Munchurl Kim},
journal= {arXiv preprint arXiv:1906.05480},
year = {2020}
}
备注
Accepted for publication in IEEE Geoscience and Remote Sensing Letters