论文笔记(DCAN)

17.DCAN

1.创新点：

1.提出了一种用于遥感单幅图像SR的DCAN算法，该算法通过密集利用多层次特征信息，充分利用在不同深度学习到的特征，同时更加关注高频区域。定量和定性评价均表明DCAN优于现状方法。

2.提出了一种密集信道注意机制(DCAM)，通过密集跳过连接方式利用信道注意块。这种机制可以增加信息在网络中的流动，提高网络的表示能力。

3.在网络中添加空间注意块(SAB)。这使得网络对不同的局部区域具有更灵活的识别能力。它有助于重建最终图像。此外，这有助于网络对全局结构具有更灵活的识别能力，并从空间维度关注高频信息。

2.整体网络结构：

3.小模块：

DCAM:可以达到集中于高频信息，弱化无用信息的作用。

DCAB

CAB

SAB：针对遥感图像复杂的空间信息和分布情况，在网络中增加了一个SAB来增强网络的识别能力。它有助于网络具有对不同局部区域的判别能力，更多地关注更重要、更难以重构的区域。

4.消融实验：

适当增加dcab的数量可以提高网络的容量。

SAB可以提高网络的性能，使网络具有更灵活的全局结构识别能力，并从空间维度关注高频信息。

5.学习总结：

1. 与其他算法相比，DCAN方法能提供更强的纹理增强和更多的细节恢复。

2. 随着尺度因子的增加，我们提出的DCAN方法的提升程度降低。这表明大尺度超分辨率仍然是一个难题。