厚云填补
文章平均质量分 94
IAz-
这个作者很懒,什么都没留下…
展开
-
[CR]厚云填补_条件扩散模型用于SAR到光学图像转换
合成孔径雷达(SAR)提供全天候、全天高分辨率成像,但其独特的成像机制往往需要专家解释,限制了其广泛的适用性。为了应对这一挑战,这封信提出了一个生成模型,该模型连接了SAR和光学成像,促进了SAR图像转换为更容易被人类识别的光学航空图像。这有助于解释SAR数据,使其更容易识别。具体来说,我们的模型主干是基于最新的扩散模型,具有强大的生成能力。我们创新地定制了扩散模型框架,将SAR图像作为采样过程中的条件约束。这种自适应使得从SAR到光学图像的有效转换成为可能。原创 2024-10-10 17:10:50 · 386 阅读 · 0 评论 -
[CR]厚云填补_针对图像恢复的高效扩散模型DiffIR
扩散模型(DM)通过将图像合成过程建模为去噪网络的顺序应用,实现了SOTA的性能。然而,与图像合成不同的是,图像恢复(IR)对生成符合ground-truth的结果有很强的约束。因此,对于IR,传统的DMs在大型模型上运行大量迭代来估计整个图像或特征映射是低效的。为了解决这个问题,我们提出了一种高效的图像恢复扩散模型 (DiffIR),它由紧凑的图像恢复先验提取网络(Compact IR prior extraction network,CPEN)动态图像恢复Transformer(DIRformer)和。原创 2024-08-13 16:40:03 · 842 阅读 · 0 评论 -
[CR]厚云填补_Diffusion Enhancement for CR
云层的存在严重影响了光学遥感图像的质量和有效性。然而,现有的基于深度学习(DL)的云移除(CR)技术,通常以保真度驱动的损失作为约束,例如L1或L2损失,往往产生平滑的结果,往往无法重建视觉上令人愉悦的结果,并导致语义损失。为了应对这一挑战,这项工作建议在数据和方法方面进行增强。在数据端,建立了一个空间分辨率为0.5 m的超分辨率基准CUHK cloud removal (CUHK- CR)。这个基准包含了丰富的细节纹理和不同的云覆盖,作为设计和评估CR模型的坚实基础。原创 2024-08-27 16:51:51 · 365 阅读 · 0 评论 -
[CR]厚云填补_DDPM-CR
在本文中,我们提出了一种新的去噪扩散概率模型-云去除(DDPM-CR),它可以有效地去除光学图像场景中的薄云和厚云。我们的网络利用去噪扩散概率模型(DDPM)架构整合云光学和辅助SAR图像作为输入提取DDPM特征,为缺失信息检索提供重要信息。此外,我们还提出了一种采用DDPM特征和多尺度注意机制的去云头。为了获得更好的网络性能,我们提出了一种面向云的损失算法,该算法在训练过程中考虑了高低频图像信息以及云区域。原创 2024-08-21 21:25:43 · 847 阅读 · 0 评论 -
[CR]厚云填补_GridFormer
恶劣天气条件下的图像恢复是计算机视觉中的一个难点。在本文中,我们提出了一种新的基于变压器的框架GridFormer,它可以作为恶劣天气条件下图像恢复的支柱。GridFormer采用剩余密集变压器块在网格结构中进行设计,并介绍了两种核心设计。首先,它在变压器层使用增强的注意机制。该机制包括采样器和紧凑自关注阶段以提高效率,以及局部增强阶段以加强局部信息。其次,我们引入了一个残余密集变压器块(RDTB)作为最后的GridFormer层。这种设计进一步提高了网络从之前和当前的局部特征中学习有效特征的能力。原创 2024-08-04 16:46:29 · 605 阅读 · 0 评论 -
[CR]厚云填补_SEGDNet
在过去的二十年里,图像去雾问题在计算机视觉界受到了极大的关注。在雾霾条件下,由于空气中水汽和粉尘颗粒的散射,图像的清晰度严重降低,使得许多计算机视觉系统,如用于物体检测、物体识别、监视、驾驶辅助等的计算机视觉系统难以进行进一步的处理和操作。然而,以往的除雾方法通常存在亮度差、偏色、去除不清洁、光晕、伪影和模糊等缺点。为了解决这些问题,本研究提出了一种新的结构转移边缘增强网格去雾网络(SEGDNet)。采用一种保持边缘的平滑算子—引导滤波器,有效地将图像分解为低频图像结构和高频边缘。原创 2024-08-03 22:18:40 · 879 阅读 · 0 评论 -
[CR]厚云填补_MSDA-CR
云层污染是光学遥感图像中常见的问题。基于深度学习的遥感图像去云技术近年来受到越来越多的关注。然而,由于缺乏对云失真效果的有效建模和网络较弱的特征表示能力,从云图像中开发有用的多尺度云感知表示仍然具有挑战性。为了规避这些挑战,我们提出了一个多尺度扭曲感知云移除(MSDA-CR)网络,该网络由多个云扭曲感知表示学习(CDARL)模块组合在一个多尺度网格架构中。具体来说,定义云畸变控制函数(CDCFs)并将其纳入CDARL模块中,以自适应地模拟成像过程中云干扰引起的畸变效应,并使用可学习的参数来利用畸变恢复表示。原创 2024-08-03 20:40:28 · 875 阅读 · 1 评论 -
[CR]厚云填补_GridDehazeNet+
雾霾等恶劣天气条件会降低自动驾驶和智能交通系统的性能。作为一种潜在的补救措施,我们提出了一种增强的多尺度网络,称为GridDehazeNet+,用于单幅图像去雾。提出的除雾方法不依赖于大气散射模型(ASM),并解释了为什么不一定执行该模型提供的降维。GridDehazeNet+由预处理、主干和后处理三个模块组成。与手工选择的预处理方法产生的衍生输入相比,可训练的预处理模块可以生成具有更好多样性和更相关特征的学习输入。通过不同尺度的密集连接有效缓解瓶颈问题的新颖网格结构;原创 2024-08-02 19:57:49 · 614 阅读 · 0 评论 -
[CR]厚云填补_GridDehazeNet
我们提出了一个端到端的可训练卷积神经网络(CNN),命名为GridDehazeNet,用于单幅图像去雾。GridDehazeNet由预处理、主干网络和后处理三个模块组成。与手工选择的预处理方法产生的衍生输入相比,可训练的预处理模块可以生成具有更好多样性和更相关特征的学习输入。该核心模块实现了一种基于注意力的网格网络多尺度估计方法,有效地解决了传统多尺度估计方法存在的瓶颈问题。后处理模块有助于减少最终输出中的伪影。实验结果表明,GridDehazeNet在合成图像和真实图像上的表现都优于最先进的技术。原创 2024-08-01 17:24:11 · 708 阅读 · 0 评论 -
[CR]厚云填补_Grid Network
本文提出了一种新的卷积神经网络架构GridNet,用于语义分割(全场景标记)。经典神经网络实现为从输入到输出的一个流,并在流中应用下采样算子,以减少特征映射的大小并增加最终预测的接受场。然而,对于语义图像分割,其任务是为图像的每个像素提供语义类,特征映射减少是有害的,因为会导致输出预测中的分辨率损失。为了解决这个问题,GridNet遵循一种网格模式,允许多个相互连接的流以不同的分辨率工作。表明,网格网络推广了许多众所周知的网络,如Conv-deconv,残差网络或U-Net网络。原创 2024-08-01 17:00:05 · 1067 阅读 · 0 评论 -
[CR]厚云填补_多云条件下土地覆盖分割的多模态多任务学习
地球的大部分表面被云层覆盖,导致光学图像遭受地面信息的严重退化。具有穿透云层能力的合成孔径雷达(SAR)图像可以为光学图像提供补充信息。因此,在多云条件下,光学影像与SAR影像的融合可以显著提高解译精度。在本文中,我们提出利用相关的去云任务对土地覆盖进行精确的多模态语义分割。为此,我们开发了一种端到端的可学习架构,该架构共同解决了云移除和土地覆盖语义分割的任务。云移除任务鼓励学习知识特征,以克服语义模糊的负面影响。实验表明,该算法能有效提高多云条件下的语义分割精度。原创 2024-07-27 18:23:56 · 951 阅读 · 0 评论 -
[CR]厚云填补_CloudSeg
CloudSeg: A multi-modal learning framework for robust land cover mapping under cloudy conditions原创 2024-06-29 09:14:46 · 326 阅读 · 0 评论 -
[CR]厚云填补_基于相似像素的渐进式缺口填补方法PGFCTS
在光学遥感图像的预处理中,由于云层较厚或传感器发生故障而产生的空白填充一直是一个重大的挑战。相似像元的概念来源于遥感场景的时空相似性,被广泛接受和应用,导致各种空白填充模型的发展。然而,在具有时空异质性表面和广泛缺失区域的复杂场景中,现有模型通常会产生明显的噪声样伪影、扭曲的光谱特征和不可靠的空间纹理。为了应对这一挑战,提出了一种简单而有效的基于相似像素的方法,称为通过级联时空框架的渐进间隙填充方法。原创 2024-06-20 17:36:16 · 532 阅读 · 0 评论 -
[CR]厚云填补_综述整理
由于光学图像的局限性,其波段无法穿透云层,图像总会受到云层的污染,导致遮挡区域信息缺失,限制后续的应用。合成孔径雷达SAR能够提供全天候、全天时的地面信息。因此,平移SAR或融合SAR与光学图像获取无云的类光学图像是解决云污染问题的理想方法。在本文中,调查了现有文献,提供了两种分类方法,一种基于输入类型,另一种基于使用方法。同时,分析了使用不同数据作为输入时的优缺点。最后部分讨论了这些现有方法的局限性,提出该领域未来研究的几个可能方向。原创 2024-06-06 21:27:36 · 869 阅读 · 0 评论 -
[CR]厚云填补_GLF-CR
GLF-CR: SAR-enhanced cloud removal with global–local fusion原创 2024-05-07 09:58:29 · 947 阅读 · 0 评论 -
[CR]厚云填补_M3R-CR Dataset and Align-CR
去云(Cloud Removal)是遥感领域的一个重要且具有挑战性的问题,近年来在这一领域取得了显著进展。现有数据集的高分辨率图像不可用对生成结构的语义意义缺乏评估本文中介绍了M3R-CR,一个多模态和多分辨率数据融合的高分辨率CR基准数据集。M3R-CR具有全球采样的高分辨率光学观测,与雷达测量和像素级土地覆盖注释相匹配。多分辨率特性所导致的对中误差,以及由于固有成像机制差异等因素导致的高分辨率图像更明显的不对中问题。现有的基于多模态数据融合的方法假设图像对在像素级上精确对齐,因此不适用于该问题。原创 2024-05-01 11:14:05 · 1136 阅读 · 0 评论