用于遥感影像超分辨率的深度蒸馏递归网络

摘要： 深度卷积神经网络（CNN）已在众多图像或视频处理与分析任务中广泛应用并取得最先进的性能表现。特别是在图像超分辨率（SR）处理方面，基于CNN的方法相比浅层学习方法实现了显著提升。然而，采用简单直接连接或跳跃连接的现有CNN算法在应用于遥感卫星图像超分辨率时效果欠佳。本研究提出了一种简单而有效的CNN框架——深度蒸馏递归网络（DDRN），用于视频卫星图像超分辨率。该网络包含一组超密集残差块（UDB）、多尺度净化单元（MSPU）和重建?？椤Ｍü诟鱑DB内部及多路径单元间增设丰富的交互连接，能有效共享多个并行卷积层提取的特征。相较于经典基于密集连接的模型，DDRN具有以下主要特性：(1) 在相同卷积层数量下包含更多连接节点；(2) 构建了在网络不同阶段执行特征蒸馏与补偿的机制，其中MSPU可补偿信息传播过程中丢失的高频成分；(3) 最终超分辨率图像能同时受益于UDB提取的特征图和MSPU获得的补偿分量。在Kaggle开源数据集和吉林一号视频卫星图像上的实验表明，DDRN优于传统基于CNN的基线方法和部分最先进的特征提取方案。