轻量级重参数化的遥感图像超分辨率重建网络设计

作     者：易见兵 陈俊宽 曹锋 李俊 谢唯嘉 YI Jianbing;CHEN Junkuan;CAO Feng;LI Jun;XIE Weijia

作者机构：江西理工大学信息工程学院江西赣州341000 

基　　金：国家自然科学基金资助项目(No.62066018,No.72261018) 江西省自然科学基金资助项目(No.20181BAB202004) 江西省教育厅科技项目资助(No.GJJ210828,No.GJJ200818,No.GJJ180482) 江西省赣州市科技计划资助项目 江西省研究生创新专项资助(No.YC2022-S640) 

出 版 物：《光学精密工程》 (Optics and Precision Engineering)

年 卷 期：2024年第32卷第2期

页      码：268-285页

摘      要：针对当前基于深度学习的遥感图像超分辨率重建模型部署时对硬件要求较高,本文设计了一种轻量级基于重参数化的残差特征遥感图像超分辨率重建网络。首先,采用重参数化方法设计了一种残差局部特征模块,以有效地提取图像局部特征;同时考虑到图像内部出现的相似特征,设计了一个轻量级的全局上下文模块对图像的相似特征进行关联以提升网络的特征表达能力,并通过调整该模块的通道压缩倍数来减少模型的参数量和改善模型的性能;最后,在上采样模块前使用多层特征融合模块聚合所有的深度特征,以产生更全面的特征表示。在UC Merced遥感数据集上进行测试,该算法在遥感图像3倍超分辨率下的参数量为539 K,峰值信噪比为30.01 dB,结构相似性为0.8449,模型的推理时间为0.010 s;而HSENet算法的参数量为5470 K,峰值信噪比为30.00 dB,结构相似性为0.8420,模型的推理时间为0.059 s。实验结果表明,该算法相比HSENet算法,参数量更少,运行速度较快,且峰值信噪比与结构相似性也有一定的提高。在DIV2K自然图像数据集上进行测试,该算法的峰值信噪比和结构相似性相比其他算法也有一定的优势,表明该算法的泛化能力较强。

主 题 词：超分辨率 遥感图像 全局上下文 重参数化 残差网络 

学科分类：081203[081203] 08[工学] 0835[0835] 0812[工学-测绘类] 

核心收录：

D　O　I：10.37188/OPE.20243202.0268

馆 藏 号：203126015...