论文笔记(DRSEN)

13.DRSEN

1.创新点：

1. 提出了一种用于遥感卫星图像SR重建的深度剩余挤压激励网络(DRSEN)。我们的DRSEN采用了方便有效的端到端训练方式，获得了更好的精度和视觉超分辨率性能。

2. 在一些常用概念的基础上，提出了一种改进的残差块RSEB，该残差块包含局部特征融合(LFF)模块和挤压激励(SE)模块。LFF模块融合当前块中的不同级别特征，SE模块通过考虑特征通道之间的相互依赖关系自适应地重新调整特征。LFF模块和SE模块都提高了网络的表示能力。

3. 提出了一种标识分支来代替全局残差路径方法，并提出了一种更简化的上采样模块，网络没有在上采样后插入额外的卷积层，以提高速度和减少参数，而不影响结果的准确性。

2.整体网络结构：

1. 浅特征提取：只使用一个卷积层从LR输入中提取浅层特征。

2.深层特征提取：N个残差块（RSEB）级联。

3.上采样：使用卷积层将特征映射的深度调整为3 × S2，通过上采样模块来放大这些特征。

4. 残差连接：使用单个卷积层和上采样模块直接输出对应的高分辨率图像。

3.小模块：

SE模块：通过这个模块，在通道中强调了重要的特性，同时抑制了无用的特性。

C结构优于a和b结构：由激活函数激活的特征可以获得更高的精度。

4.实验对比：

5.学习总结：

1.遥感图像分布的高度复杂性，现有的大多数方法都不能很好地实现遥感图像的超分辨率。

2.基于传统方法的SR只能利用底层信息，基于学习的方法可以学习到深层信息。

3. 大多数基于DL的方法忽视了利用层次特征，盲目地增加网络深度以获得超分辨率。遥感图像高度复杂的空间分布表明，更高层次的抽象和更好的数据表示是应用的必要条件。同时，遥感图像的地物通常具有更大的尺度范围，这说明地物本身与其周围环境在其图像模式的联合分布中是相互耦合的，这与自然图像有很大的不同。因此，对于遥感图像的超分辨率任务来说，更强大的表征能力对于实现更好的性能至关重要。

4.L1损失函数更适合SR任务。

5.DRSEN是一种面向psnr的方法，它倾向于在大比例缩放时输出过度平滑的结果，没有足够的高频细节。在一些测试结果种该网络减少了锯齿和振铃伪影，较好地重构了图片中物体的结构。

6.设备内存不足时，可以把大图分成几个小图，最后拼接在一起得到最终的输出。

6.启发：

1. 探索感知损失，以保持PSNR值和视觉质量之间的平衡。

2. 研究CycleGAN的概念，以使用未配对数据集训练超分辨率网络。