通过适配深度学习方法实现 BVOC 地图的超分辨率
图像与视频处理
2023-07-04 v4 计算机视觉与模式识别
摘要
生物源挥发性有机化合物(BVOCs)在生物圈—大气相互作用中起着关键作用，是大气与气候物理化学性质的重要因素。获取大范围细粒度 BVOC 排放图成本高且耗时，因此大多数可用 BVOC 数据来自疏松稀疏的采样网格或小区域。然而，高分辨率 BVOC 数据在空气质量、大气化学与气候监测等诸多应用中备受需求。本工作中，我们探究增强 BVOC 采集的可能性，并进一步阐释环境与此类化合物间的关系。为此，我们比较了若干为图像超分辨率(SR)提出的先进神经网络的性能，对其加以适配以克服排放大动态范围带来的挑战并降低异常值在预测中的影响。此外，我们还考虑了包含时间与地理约束的现实场景。最后，我们给出了关于 SR 泛化的可能未来进展，涉及尺度不变性质及对未见化合物排放的超级分辨率。
引用
@article{arxiv.2302.07570,
title = {Super-Resolution of BVOC Maps by Adapting Deep Learning Methods},
author = {Antonio Giganti and Sara Mandelli and Paolo Bestagini and Marco Marcon and Stefano Tubaro},
journal= {arXiv preprint arXiv:2302.07570},
year = {2023}
}
备注
5 pages, 4 figures, 3 tables, accepted at IEEE-ICIP 2023