Core Concepts
本文提出了一种基于薛定谔桥匹配的新型全色融合方法,该方法能够有效地利用低分辨率多光谱图像(LRMS)作为先验信息,并通过线性前向-后向SDE/ODE实现高效采样,从而在保持SOTA性能的同时大幅提高采样效率。
Abstract
本文针对现有基于扩散概率模型(DPM)的全色融合方法存在的问题,提出了一种基于薛定谔桥(SB)匹配的新型全色融合框架。
首先,作者将全色融合问题表述为一个典型的逆问题,并将其表示为一个随机微分方程(SDE)形式。在此基础上,作者进一步利用SB理论,将非线性SDE转化为线性前向-后向SDE/ODE,从而大幅提高了采样效率,同时保持了SOTA的融合性能。
具体地,作者设计了一种高效的深度神经网络架构SBM-Net,专门用于SB SDE的学习。与现有的基于U-Net的架构相比,SBM-Net在保持相似复杂度的情况下,展现出更优异的融合性能。
此外,作者还提出了四种不同的SB SDE/ODE学习目标,并详细分析了它们的优缺点。通过大量实验验证,所提方法在三个常用的全色融合数据集上均取得了SOTA的融合效果。
Stats
全色融合是一种典型的逆问题,可以表示为随机微分方程(SDE)的形式。
现有的基于扩散概率模型(DPM)的全色融合方法存在采样效率低和初始化不合理的问题。
本文提出的基于薛定谔桥(SB)匹配的全色融合方法,可以将非线性SDE转化为线性前向-后向SDE/ODE,从而大幅提高采样效率。
作者设计了一种高效的深度神经网络架构SBM-Net,专门用于SB SDE的学习,在保持相似复杂度的情况下展现出更优异的融合性能。
Quotes
"本文提出了一种基于薛定谔桥匹配的新型全色融合方法,该方法能够有效地利用低分辨率多光谱图像(LRMS)作为先验信息,并通过线性前向-后向SDE/ODE实现高效采样,从而在保持SOTA性能的同时大幅提高采样效率。"
"作者设计了一种高效的深度神经网络架构SBM-Net,专门用于SB SDE的学习,在保持相似复杂度的情况下展现出更优异的融合性能。"