Optical Image-to-Image Translation Using Denoising Diffusion Models: Heterogeneous Change Detection as a Use Case

我们介绍了一种创新的基于深度学习的方法，使用去噪扩散模型将来自不同光学传感器的低分辨率图像翻译成高分辨率图像，同时保留内容并避免不良伪影。所提出的方法在大型多样化的Sentinel-II和Planet Dove成对图像数据集上进行了训练和测试。我们展示了它可以解决当使用流行的无分类器引导去噪扩散隐式模型（DDIM）框架进行多传感器光学遥感图像的图像到图像翻译时观察到的严重图像生成问题，并且它可以生成具有高度一致的补丁的大型图像，无论是在颜色还是特征上。此外，我们展示了我们的方法如何改善黎巴嫩贝鲁特和美国奥斯汀两个城市的异质性变化检测结果。我们的贡献包括：i）一种基于去噪扩散模型的光学图像翻译的新训练和测试算法；ii）全面的图像质量评估和消融研究；iii）与无分类器引导DDIM框架的比较；iv）关于异质性数据的变化检测实验。

论文旨在解决多传感器光学遥感图像的低分辨率转高分辨率的问题，同时保持图像内容和避免不良伪影的产生。并在贝鲁特和奥斯汀两个城市的异质性变化检测实验中验证其有效性。

论文提出了一种基于去噪扩散模型的深度学习方法，用于多传感器光学遥感图像的低分辨率转高分辨率，解决了使用常规DDIM框架出现的图像生成问题，并且能够生成高度一致的大图像。

论文使用了大量的多传感器光学遥感图像数据集进行训练和测试，并进行了全面的图像质量评估和消融实验。实验结果表明，该方法在保持图像内容和避免不良伪影的产生方面表现优异，同时在异质性变化检测实验中也取得了良好的效果。

最近相关的研究包括：1.《Image Super-Resolution Using Very Deep Residual Channel Attention Networks》；2.《Deep Learning for Single Image Super-Resolution: A Brief Review》；3.《Generative Adversarial Networks for Image-to-Image Translation: A Review》等。