宁夏大学物理与电子电气工程学院，宁夏 银川 750021
为了获取包含更多高频感知信息与纹理细节信息的遥感重建图像，并解决超分辨率重建算法训练难和重建图像细节缺失的问题，提出一种融合多尺度感受野模块的生成对抗网络（GAN）遥感图像超分辨率重建算法。首先，使用多尺度卷积级联增强全局特征获取、去除GAN中的归一化层，提升网络训练效率去除伪影并降低计算复杂度；其次，利用多尺度感受野模块与密集残差模块作为生成网络的细节特征提取模块，提升网络重建质量获取更多细节纹理信息；最后，结合Charbonnier损失函数与全变分损失函数提升网络训练稳定性加速收敛。实验结果表明，所提算法在Kaggle、WHU-RS19、AID数据集上的平均检测结果较超分辨率GAN在峰值信噪比、结构相似性、特征相似性等方面分别高出约1.65 dB、约0.040（5.2%）、约0.010（1.1%）。
遥感 超分辨率重建 遥感图像 生成对抗网络 感受野网络 密集残差网络 激光与光电子学进展
2023, 60(10): 1028010
红外与激光工程
2022, 51(6): 20210605
1 沈阳理工大学自动化与电气工程学院, 辽宁 沈阳 110159
2 辽宁工程技术大学电子与信息工程学院, 辽宁 葫芦岛 125105
针对水体对光的吸收和散射导致的水下图像细节模糊和颜色失真等问题,提出了一种基于多尺度生成对抗网络的水下图像增强算法。该算法用对抗网络作为基础框架,结合残差连接和密集连接加强水下图像特征的传播。首先,通过两个并行支路提取退化图像不同空间的视觉信息,并在每个支路加入残差密集块,以学习更深层次的特征。然后,将两个支路提取的特征进行融合,经过重建模块恢复图像的细节信息。最后,构建多个损失函数,反复训练对抗网络,获得增强的水下图像。实验结果表明,本算法增强的水下图像色彩鲜明且去雾效果较好,水下彩色图像质量均值比原始图像高0.1887,加速稳健特征的匹配点数比水下残差网络算法多17个。
图像处理 生成对抗网络 多尺度 残差密集块 激光与光电子学进展
2021, 58(16): 1610017
1 中国人民解放军第四八零八工厂军械修理厂，山东青岛266000
2 哈尔滨理工大学测控技术与通信工程学院，黑龙江哈尔滨150080
生成对抗网络模型可以用来生成服从原始真实图像分布规律的高频细节信息。为了进一步提高重建图像的视觉质量，对生成对抗网络的生成网络、判别网络及感知损失三个方面进行了改进。首先移除了生成网络中的BN 层，同时在残差块中采用密集连接的方式，增加网络模型的容量，降低了计算复杂性，增强了网络训练的稳定性。然后采用迁移学习技术来促进深度模型的训练，解决了遥感数据不足的问题。实验结果表明提出的算法通过对遥感图像超分辨率重建算法进行改进，可以获得更好的主观视觉效果，PSNR 和SSIM 均有显著提高。
生成对抗网络 遥感图像超分辨率重建 残差密集块 迁移学习 感知损失 generative adversarial network remote sensing image superresolution reconstructio residual dense block transfer learning perceptual loss
