- 简介由于当前光学和传感器技术的限制以及更新它们的高成本,卫星的光谱和空间分辨率可能不总能满足所需的要求。出于这些原因,遥感单幅图像超分辨率(RS-SISR)技术引起了极大的关注。在本文中,我们提出了Swin2-MoSE模型,这是Swin2SR的增强版本。我们的模型引入了MoE-SM,一种增强的专家混合(MoE)来替换所有Transformer块内部的前馈。MoE-SM采用了Smart-Merger设计,一种用于合并单个专家输出的新层,并采用了一种新的方式来分配专家之间的工作,定义了一种新的每个示例策略,而不是常用的每个标记策略。此外,我们分析了位置编码如何相互作用,证明了每个通道偏差和每个头偏差可以积极合作。最后,我们建议使用归一化交叉相关(NCC)和结构相似性指数测量(SSIM)损失的组合,以避免典型的MSE损失限制。实验结果表明,在2x、3x和4x分辨率提升(Sen2Venus和OLI2MSI数据集)任务中,Swin2-MoSE的性能优于SOTA,PSNR提高了0.377 ~ 0.958 dB。我们展示了Swin2-MoSE的有效性,并将其应用于语义分割任务(SeasoNet数据集)。代码和预训练模型可在https://github.com/IMPLabUniPr/swin2-mose/tree/official_code上获得。
- 图表
- 解决问题本论文旨在提出一种解决卫星遥感图像分辨率不足的问题的方法,即Remote-Sensing Single-Image Super-Resolution (RS-SISR)技术。
- 关键思路本文提出了Swin2-MoSE模型,通过引入MoE-SM和新的损失函数来提高图像分辨率。MoE-SM是一种增强的Mixture-of-Experts (MoE),用于替换所有Transformer块内部的Feed-Forward。
- 其它亮点本文的实验结果表明,Swin2-MoSE在2x、3x和4x分辨率提升任务上优于SOTA,并将其应用于语义分割任务。此外,作者还提供了开源代码和预训练模型。
- 与本文相关的研究包括基于深度学习的图像超分辨率方法,如EDSR、RCAN和DBPN等。
沙发等你来抢
去评论
评论
沙发等你来抢