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。