EEMSAGAN：一种用于遥感图像超分级的边缘增强多尺度注意力生成对抗网络

《Scientific Reports》：EEMSAGAN: edge-enhanced multi-scale attention generative adversarial network for remote sensing image super-resolution

　　

摘要

图像超分辨率重建技术是通过算法处理，将低分辨率图像转换为高分辨率图像的技术。然而，现有的超分辨率方法在恢复复杂纹理以及生成细节丰富、边缘清晰的图像方面存在不足。为解决这些问题，本文提出了一种边缘增强多尺度注意力生成对抗网络（EEMSAGAN）。具体而言，我们设计了双路径生成器架构：标准路径用于深度提取高级特征，而辅助路径则用于保留先验信息和高频细节。一种基于混合注意力的双路径特征融合模块能够自适应地整合两条路径的特征，从而实现信息的有效利用与互补，进而提升模型的特征表示能力。在标准路径中还引入了多尺度特征提取模块，以提高模型捕捉不同尺度特征的能力。此外，为增强边缘细节的恢复效果，本文提出了一个边缘损失函数，用于约束超分辨率图像的边缘区域，从而有助于高频细节的补偿并保留关键的纹理细节。通过在多种遥感场景上与几种最先进的算法进行对比实验，结果表明我们的EEMSAGAN生成的超分辨率图像具有更丰富的细节和更清晰的纹理，证明了该方法的有效性。EEMSAGAN的代码可在https://github.com/LjWang-2002/EEMSAGAN获取。