elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Real-world remote sensing image super-resolution via a practical degradation model and a kernel-aware network

Dong, Rummin und Mou, LiChao und Zhang, Lixian und Fu, Haohuan und Zhu, Xiao Xiang (2022) Real-world remote sensing image super-resolution via a practical degradation model and a kernel-aware network. ISPRS Journal of Photogrammetry and Remote Sensing, 191, Seiten 155-170. Elsevier. doi: 10.1016/j.isprsjprs.2022.07.010. ISSN 0924-2716.

Dieses Archiv kann nicht den Volltext zur Verfügung stellen.

Offizielle URL: https://www.sciencedirect.com/science/article/abs/pii/S0924271622001824

Kurzfassung

Super-resolution is an essential task in remote sensing. It can enhance low-resolution remote sensing images and benefit downstream tasks such as building extraction and small object detection. However, existing remote sensing image super-resolution methods may fail in many real-world scenarios because they are trained on synthetic data generated by a single degradation model or on a limited amount of real data collected from specific satellites. To achieve super-resolution of real-world remote sensing images with different qualities in a unified framework, we propose a practical degradation model and a kernel-aware network (KANet). The proposed degradation model includes blur kernels estimated from real images and blur kernels generated from pre-defined distributions, which improves the diversity of training data and covers more real-world scenarios. The proposed KANet consists of a kernel prediction subnetwork and a kernel-aware super-resolution subnetwork. The former estimates the blur kernel of each image, making it possible to cope with real images of different qualities in an adaptive way. The latter iteratively solves two subproblems, degradation and high-frequency recovery, based on unfolding optimization. Furthermore, we propose a kernel-aware layer to adaptively integrate the predicted blur kernel into super-resolution process. The proposed KANet achieves state-of-the-art performance for real-world image super-resolution and outperforms the competing methods by 0.2–0.8 dB in the peak signal-to-noise ratio (PSNR). Extensive experiments on both synthetic and real-world images demonstrate that our approach is of high practicability and can be readily applied to high-resolution remote sensing applications.

elib-URL des Eintrags:https://elib.dlr.de/192682/
Dokumentart:Zeitschriftenbeitrag
Titel:Real-world remote sensing image super-resolution via a practical degradation model and a kernel-aware network
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Dong, RumminTsinghua University, BeijingNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Mou, LiChaoLiChao.Mou (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Zhang, LixianTU MünchenNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Fu, HaohuanTsinghua University, BeijingNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Zhu, Xiao Xiangxiao.zhu (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:September 2022
Erschienen in:ISPRS Journal of Photogrammetry and Remote Sensing
Referierte Publikation:Ja
Open Access:Nein
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Ja
Band:191
DOI:10.1016/j.isprsjprs.2022.07.010
Seitenbereich:Seiten 155-170
Verlag:Elsevier
ISSN:0924-2716
Status:veröffentlicht
Stichwörter:Super-resolution methods, degradation model, kernel-aware network (KANet)
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Künstliche Intelligenz
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > EO Data Science
Hinterlegt von: Haschberger, Dr.-Ing. Peter
Hinterlegt am:20 Dez 2022 10:58
Letzte Änderung:19 Okt 2023 13:04

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.