Handheld Burst Super-Resolution Meets Multi-Exposure Satellite Imagery
Université Paris-Saclay（巴黎萨克雷大学）；ENS Paris-Saclay（巴黎萨克雷高等师范学院）；CNRS（法国国家科学研究中心）；Centre Borelli（博雷利中心）
图像分辨率是基于卫星图像的许多应用的重要标准。在这项工作中，我们采用了最先进的核回归技术，用于智能手机相机突发超分辨率卫星。该技术利用图像的局部结构来优化融合内核，限制最终高分辨率预测中的模糊，对图像进行降噪，并将细节恢复到缩放因子2。我们将这种方法扩展到多次曝光的情况下，从一系列的多次曝光的低分辨率帧的高分辨率和无噪声的预测。在单次曝光和多次曝光场景下的实验表明了该方法的优点。由于融合是无学习的，所提出的方法是确保不幻觉的细节，这是许多遥感应用的关键。
2023-03-10 cs.CV eess.IV
Blind Image Deblurring based on Kernel Mixture
The University of Tennessee（田纳西大学）
盲图像去模糊试图估计模糊和模糊图像的潜像。作为不适定问题，该估计需要对潜像或表示模糊的模糊核施加限制。与以往的研究中对潜像施加先验信息不同，本文对模糊核的结构进行了调整。我们提出了一种混合核结构，同时使用高斯核作为基础核。通过组合在尺度和中心方面结构上增强的多个高斯内核，内核混合变得能够对模糊的几乎非参数形状进行建模。数据驱动的组合基本内核数量决策使结构更加灵活。我们将这种方法应用到遥感问题中，从模糊的卫星图像中恢复图像。这个案例研究表明，所提出的方法调节模糊核的优越性相比，国家的最先进的方法，调节潜像。
2021-01-15 cs.CV
Learning Multi-Scale Deep Features for High-Resolution Satellite Image Classification
Nanjing University of Information Science and Technology（南京信息工程大学）
本文提出了一种多尺度深度特征学习的高分辨率卫星图像分类方法。具体来说，我们首先将原始卫星图像变形到多个不同的尺度。每个尺度下的图像用于训练深度卷积神经网络（DCNN）。然而，同时训练多个DCNN是耗时的。为了解决这个问题，我们使用空间金字塔池化（SPP-net）来探索DCNN。由于不同的SPP网络具有相同数量的参数，这些参数共享相同的初始值，并且只有在完全连接的层中微调参数才能确保每个网络的有效性，从而大大加快训练过程。然后，将多尺度卫星图像分别输入到其对应的SPP网络中，以提取多尺度深度特征。最后，开发了一种多核学习方法来自动学习这些特征的最佳组合。在两个困难数据集上的实验表明，该方法取得了良好的性能相比，其他国家的最先进的方法。
2016-11-11 cs.CV
Super-Resolving Commercial Satellite Imagery Using Realistic Training Data
Google Inc.（谷歌公司）
在基于机器学习的单幅图像超分辨率中，退化模型被嵌入到训练数据生成中。然而，大多数现有的卫星图像超分辨率方法使用具有固定核的简单下采样模型来创建训练图像。这些方法在合成数据上工作良好，但在真实卫星图像上表现不佳。提出了一种实用的商业卫星影像产品训练数据生成模型，该模型不仅包括卫星上的成像过程，还包括地面上的后处理过程。我们还提出了一个卷积神经网络优化的卫星图像。实验结果表明，所提出的训练数据生成模型能够有效提高真实卫星图像的超分辨率性能。
2020-02-26 cs.CV eess.IV
A Comparison of Multi-View Learning Strategies for Satellite Image-Based Real Estate Appraisal
Paderborn University（帕德博恩大学）
在房屋信贷过程中，银行和贷款人依靠对房地产价格的快速准确估计来确定最大贷款价值。房地产评估通常基于关系数据，捕捉物业的硬事实。然而，模型从包括图像数据、捕获额外的软因素中受益匪浅。不同数据类型的组合需要多视图学习方法。因此，问题是不同的多视角学习策略有哪些优点和缺点。在我们的研究中，我们测试了多核学习，多视图拼接和多视图神经网络的房地产数据和卫星图像从阿什维尔，NC。我们的研究结果表明，多视图学习将MAE的预测性能提高了13%。多视图神经网络表现最好，但会导致不透明的黑箱模型。对于寻求可解释性的用户，混合多视图神经网络或提升策略是合适的替代方案。
2021-05-11 cs.CV
Ground-to-Satellite Localization in Unconstrained Image Collections for 3D Scene Reconstruction
Center for Vision Technologies, SRI International（SRI国际公司视觉技术中心）
该研究针对无约束图像集合的地面对卫星定位问题，提出结合SfM模型几何约束与核密度估计的分层跨视图定位框架，实现可靠定位，助力更完整的地理定位3D场景重建。
2026-09-01 cs.CV
Towards Bundle Adjustment for Satellite Imaging via Quantum Machine Learning
Fraunhofer IAIS（弗劳恩霍夫智能分析与信息系统研究所）；Thales Alenia Space（泰雷兹阿莱尼亚宇航公司）；Thales Land and Air Systems（泰雷兹陆地与航空系统公司）
给定一组图像，其中所有图像显示同一区域在不同时间点和不同视点的视图。该任务是所有图像的对齐，使得相关信息，例如，姿态、变化和地形可以从融合图像中提取。在这项工作中，我们专注于关键点提取和特征匹配的量子方法，因为这些子任务的计算复杂性要求很高。为此，k-中心点聚类，核密度聚类，最近邻搜索和核方法进行了研究，并解释了这些方法可以重新制定量子退火和基于门的量子计算机。在数字量子仿真硬件、量子退火器和量子门计算机上获得的实验结果表明，经典系统仍然提供优越的结果。然而，所提出的方法已经为当前和即将到来的几代量子计算设备做好了准备，这些设备有可能在不久的将来超越经典系统。
2022-04-23 cs.CV quant-ph stat.ML
Effective Cloud Detection and Segmentation using a Gradient-Based Algorithm for Satellite Imagery; Application to improve PERSIANN-CCS
The Pennsylvania State University（宾夕法尼亚州立大学）；University of California, Irvine（加州大学欧文分校）
能够有效地识别云并监测其演变是实现更准确的定量降水估计和预报的重要一步。在这项研究中，一个新的基于梯度的云图像分割技术开发使用的工具，从图像处理技术。该方法将形态学图像的梯度幅度集成到可分离的云系统和补丁边界。为了降低图像分割对噪声的敏感性，并捕获具有各种边缘精细度的遥感图像中的目标，实现了一种变尺度核。所提出的方法是灵活的和可扩展的单到多光谱图像。通过将所提出的分割算法应用于由高分辨率天气预报模型模拟的地球同步业务环境卫星（GOES-R）通道的合成辐射度，进行了案例研究以验证该算法。所提出的方法相比，毫不逊色于现有的云补丁为基础的分割技术实现的PERSIANN-CCS（降水估计从遥感信息使用人工神经网络-云分类系统）降雨反演算法。基于事件的图像的评估表明，该算法有可能提高降雨检测和估计技能，与PERSIANN-CCS中使用的分割技术相比，平均增益超过45%，并将云区域识别为准确率高达98%的对象。
2018-09-27 cs.CV
UAV Localization Using Autoencoded Satellite Images
University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）
我们提出并证明了一种快速，强大的方法，使用卫星图像来定位无人机（UAV）。以往利用卫星图像的工作存在存储量大、计算量大、无法实时的运行等问题。在这项工作中，我们离线收集了所需飞行路径的Google Earth（GE）图像，并训练了自动编码器将这些图像压缩为低维矢量表示，同时保留了关键特征。这个训练的自动编码器用于压缩真实的UAV图像，然后使用内积内核将其与预先收集的附近的自动编码的GE图像进行比较。这导致权重在对应的GE图像姿态上的分布，并且用于生成单个定位和相关联的协方差以表示不确定性。我们的定位计算时间是当前标准的1%，并且在我们的实验中能够实现小于3米的可比RMSE，在实验中，我们将一天的光照条件下六次运行的无人机图像与相同的卫星图像地图进行了稳健的匹配。
2021-02-10 cs.CV cs.RO
FusionRF: High-Fidelity Satellite Neural Radiance Fields from Multispectral and Panchromatic Acquisitions
Johns Hopkins University（约翰霍普金斯大学）
FusionRF提出一种无需全色锐化预处理的卫星神经辐射场框架，通过跨分辨率核和多模态外观嵌入联合融合多光谱与全色图像，在WorldView-3数据上平均降低17%深度重建误差。
2025-11-05 cs.CV eess.IV
AstraMoE-SR: Trajectory-Guided Diffusion for Blind Satellite Jitter Deblurring and Super-Resolution
Institute of Mathematical Modeling and Scientific Computing（数学建模与科学计算研究所）；National Yang Ming Chiao Tung University（国立阳明交通大学）
AstraMoE-SR提出轨迹引导扩散框架，通过重参数化退化轨迹联合解决推扫卫星抖动去模糊与超分辨率，无需辅助观测，在DOTA-v1.0上全面超越基线。
2026-09-09 cs.CV cs.LG eess.IV
Saliency Driven Imagery Preprocessing for Efficient Compression -- Industrial Paper
Amazon Web Services（亚马逊网络服务）
本文提出基于显著性图驱动的图像预处理技术，结合传统压缩标准，实现单幅大卫星图像的可变速率压缩。
2026-01-24 cs.CV
Sat2Flow: A Structure-Aware Diffusion Framework for Human Flow Generation from Satellite Imagery
Sat2Flow通过结构感知的扩散框架，利用卫星图像生成结构一致的OD流量，解决了现有方法对辅助数据依赖和空间拓扑变化敏感的问题。
2025-12-03 cs.AI cs.CV
Land Cover Classification from Remote Sensing Images Based on Multi-Scale Fully Convolutional Network
Wuhan University（武汉大学）；Lancaster University（兰卡斯特大学）
提出了一种基于多尺度卷积核的多尺度全卷积网络（MSFCN），用于从二维（2D）卫星图像中提取鉴别表示。
2020-10-21 cs.AI cs.CV eess.IV
Remote sensing image regression for heterogeneous change detection
UiT The Arctic University of Norway（挪威北极大学）；University of Genoa（热那亚大学）
多时相遥感图像变化检测是遥感领域的一个新兴课题。在本文中，我们提出了一个框架，图像回归的基础上，进行变化检测的异构多时相卫星图像，这已成为遥感的一个主要课题。我们的方法学习一个变换，将第一个图像映射到另一个图像的域，反之亦然。四个回归方法被选择来进行转换：高斯过程，支持向量机，随机森林，最近提出的核回归方法称为均匀像素变换。为了评估我们框架的潜力和局限性，以及每种回归方法的优缺点，我们在两个数据集上进行了实验。实验结果表明，随机森林算法具有较好的性能、快速性和对超参数的鲁棒性，而均匀像素变换算法以较高的计算复杂度为代价可以获得更好的精度。
2018-07-31 cs.CV
MKANet: A Lightweight Network with Sobel Boundary Loss for Efficient Land-cover Classification of Satellite Remote Sensing Imagery
Hubei University of Technology（湖北工业大学）；Wuhan University（武汉大学）
土地覆盖分类是一个多类分割任务，将每个像素分类到地球表面的某个自然或人为类别，例如水，土壤，自然植被，农作物和人类基础设施。受硬件计算资源和内存容量的限制，现有的研究大多采用下采样或裁剪的方法对原始遥感图像进行预处理，将其裁剪成小于512*512像素的小块，然后将其发送到深层神经网络。然而，下采样图像会导致空间细节丢失，使小片段难以区分，并逆转了几十年的努力所取得的空间分辨率进步。将图像裁剪成小块会导致长距离上下文信息的丢失，并且将预测结果恢复到原始大小会带来额外的延迟。针对上述缺点，我们提出了一个高效的轻量级语义分割网络MKANet。针对顶视高分辨率遥感影像的特点，MKANet利用共享核函数同时、平等地处理尺度不一致的地面段，并采用并行、浅层架构提高推理速度，友好地支持10倍以上的影像块。为了提高边界和小片段的歧视，我们还提出了一种方法，捕捉类杂质的地区，利用边界信息，并施加额外的惩罚边界和小片段误判。大量实验的视觉解释和定量指标都表明，MKANet在两个土地覆盖分类数据集上获得了最先进的准确性，并且比其他竞争对手的轻量级网络快2倍。所有这些优点都突出了MKANet在实际应用中的潜力。
2022-07-28 cs.CV
NGPS: GPS-Denied Aerial Geo-Localization and 2.5D Reconstruction via Deep Satellite Image Matching and Multi-Rate Sensor Fusion
研究针对高空无人机视觉地理定位问题，提出NGPS框架，通过深度卫星图像匹配及多速率传感器融合实现无GPS绝对定位，结合多种技术，经实验在五个飞行序列上取得良好效果，相比单目VIO有显著提升，且能实时运行并部分开源。
2026-07-22 cs.CV cs.RO
Edge-Cloud Collaborative Reconstruction via Structure-Aware Latent Diffusion for Downstream Remote Sensing Perception
School of Computer Science, China University of Geosciences, Wuhan, Hubei, China（中国地质大学（武汉）计算机科学学院）
本文提出结构感知潜在扩散框架，通过边缘-云协作实现高效超分辨率重建，在极端带宽限制下提升遥感场景分类和小目标检测性能。
2026-04-28 cs.CV
Few-Shot Image Classification Along Sparse Graphs
HRL Laboratories, LLC（HRL实验室有限责任公司）
少样本学习仍然是一个具有挑战性的问题，对于大多数真实世界的数据来说，单次学习的准确性并不令人满意。在这里，我们提出了深度网络特征空间中数据分布的不同视角，并展示了如何将其用于少样本学习。首先，我们观察到特征空间中的最近邻具有高概率的同类成员，而通常来自一个类的两个随机点并不比来自不同类的点彼此更接近。这一观察结果表明，特征空间中的类形成稀疏，松散连接的图，而不是密集的集群。为了利用这一特性，我们建议使用少量的标签传播到未标记的空间，然后使用核PCA重建误差作为每个类的特征空间数据分布的决策边界。使用这种方法，我们称之为“K-Prop”，我们证明了大大改善的少样本学习性能（例如，在RESISC 45卫星图像数据集上进行单次5向分类的准确率为83%），对于可以用高类内最近邻概率训练骨干网络的数据集。我们使用六个不同的数据集来证明这种关系。
2021-12-07 cs.CV
Dopamine Transporter SPECT Image Classification for Neurodegenerative Parkinsonism via Diffusion Maps and Machine Learning Classifiers
Academia Sinica（中央研究院）；National Cheng-Kung University（国立成功大学）；National Sun Yat-sen University（国立中山大学）；Kaohsiung Chang Gung Memorial Hospital（高雄长庚纪念医院）；Chang Gung University College of Medicine（长庚大学医学院）
神经退行性帕金森病可以通过多巴胺转运蛋白单光子发射计算机断层扫描（DaT-SPECT）进行评估。虽然生成图像很耗时，但这些图像可以显示观察者之间的差异，迄今为止，核医学医生已经对这些图像进行了视觉解释。因此，本研究旨在提供一种基于扩散图和机器学习分类器的自动且鲁棒的方法，以将SPECT图像分类为两种类型，即正常和异常DaT-SPECT图像组。在所提出的方法中，N个患者的3D图像被映射到N乘N的成对距离矩阵，并在扩散图坐标中可视化。通过使用扩散映射将训练集的图像嵌入到低维空间中。此外，我们使用Nyström的样本外扩展，它嵌入新的样本点作为测试集在减少的空间。嵌入空间中的测试样本，然后通过集成分类器与线性判别分析（LDA）和投票程序，通过25倍的交叉验证结果分为两种类型。该方法的可行性通过1097名受试者的帕金森病进展标志物倡议（PPMI）数据集和来自高雄长庚纪念医院（KCGMH-TW）的630名患者的临床队列来证明。我们比较性能使用扩散映射与三种替代流形方法的降维，即局部线性嵌入（LLE），同构映射算法（Isomap），核主成分分析（核PCA）。我们还比较了使用2D和3D CNN方法的结果。扩散图方法对PPMI的平均准确度为98%，对KCGMH-TW数据集的平均准确度为90%，具有25倍交叉验证结果。它优于其他三种方法的整体精度和鲁棒性的训练和测试样本。
2021-05-07 cs.CV cs.LG eess.IV
AMBER -- Advanced SegFormer for Multi-Band Image Segmentation: an application to Hyperspectral Imaging
University of Naples Federico II（那不勒斯费德里科二世大学）；INFN – Section of Naples（国家核物理研究所那不勒斯分部）；Stazione Zoologica Anton Dohrn（安托万·多尔恩动物站）；INAF - Osservatorio Astronomico di Capodimonte（意大利国家天文研究所卡波迪蒙特天文台）
本文提出AMBER，一种融合三维卷积、自定义卷积核与Funnelizer层的先进SegFormer，可直接处理高光谱数据而无需光谱降维，在多个基准数据集及PRISMA卫星数据上取得优于传统CNN方法的分割性能。
2025-04-14 cs.AI cs.CV
