對于遙感圖像的超分辨率，本文提出了一種自適應多尺度特征融合網絡（AMFFN）。 AMFFN 可以直接從原始低分辨率圖像中提取密集特征，而無需任何圖像插值預處理。串聯幾個自適應多尺度特征過濾塊（AMFE），以自適應地提取遙感圖像的高頻詳細特征信息。AMFFN 的主要貢獻包括：

• 針對遙感圖像的超分辨率引入了一種自適應多尺度特征融合網絡，可以自適應地提取多尺度特征信息；
• 集成了擠壓激勵模塊（Squeeze-and-Excited，SE）和自適應門控單元（Adaptive Gating Unit），用于特征提取和融合，可以學習特征圖的通道相關性，自適應地確定應保留多少先前特征信息，減少冗余特征信息中間的多尺度特征，并增強了有用特征信息的使用。

首先介紹了自適應多尺度特征融合網絡的整體結構，然后詳細介紹了網絡結構中更加細節的設計。

自適應多尺度特征融合網絡（AMFFN）的網絡結構主要分為四個部分：

• 原始特征提取（original feature extraction）
• 自適應多尺度特征提取（adaptive multi-scale feature extraction，AMFE）
• 特征融合（feature fusion）
• 圖像重建（image reconstruction）

自適應多尺度特征提取是本文算法的核心模塊，它由若干個自適應多尺度特征過濾塊（AMFB）串聯而成，主要用于完成遙感圖像高頻細節特征信息的自適應提取。

上圖中網絡輸入為待重建的低分辨率遙感圖像LR，HR為重建的高分辨率遙感圖像。為保證計算效率，圖像特征的提取和融合均在LR上進行。首先將帶0n 個卷積核的卷積層conv 應用于輸入圖像，以生成一組特征圖，具體操作如下：

式中，A 作為從低分辨率遙感圖像中提取原始特征，w 對應于卷積層中的濾波器，這里為 128 個空間大小為 3×3 的卷積核，0b 表示卷積層的偏置，而’*'表示卷積運算。
在自適應多尺度特征提取部分，假設這里部分包含有 n 個自適應多尺度提取塊（AMFE），那么第 i 個 AMFE 可以表示為：
、
其中，fMFE表示多尺度特征提取操作，g(.) 表示自適應特征門控操作，AMFE 是自適應特征提取的基礎模塊，它是由多尺度特征提取（multi-scale feature extraction， MFE）單元和特征門控組成，用于自適應地保留來自前一個 AMFE 模塊的特征信息。通過特征提取，可以獲得一系列特征圖，對于這些特征圖，包含大量的冗余信息，如果直接將其用于圖像重建，則會大大增加計算負擔。 因此，在將這些用于超分辨率的特征輸入到重建層之前，將特征融合層設置在 n 個AMFE 之后以進行特征融合和降維。 特征融合層fusionA 的輸出公式為：

上式中，w 對應特征融合層的權重，代表了 64 個尺寸為 1×1 的卷積核，b 是對應的偏差，并且[ , , , ]表示由第一特征提取層 conv 和 AMFE 提取的所有特征圖的并聯。
在最后圖像重建部分與許多基于 CNN 的方法一樣，采用亞像素卷積（sub-pixelconvolution）[35]的方法來重建高分辨率遙感圖像。重建層的數學表達可以定義如下：

總結

以上是生活随笔為你收集整理的【图像超分辨率】Remote Sensing Imagery Super Resolution Based on Adaptive Multi-Scale Feature Fusion Network的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。