基于多尺度卷积残差遥感图像超分重建研究

针对现有遥感图像超分辨率重建技术在纹理细节恢复、伪影抑制和模型收敛等方面存在的问题,提出一种基于生成对抗网络的超分模型RS-SRGAN(Residual-SN-SimAM SRGAN)。首先,在生成器中应用多尺度卷积的密集剩余残差卷积块(Residual-in-Residual Density Conv Block,RRDCB)进行深层特征提取,更好地恢复图像细节,同时去除批归一化(BN)提高模型的泛化能力。然后,在判别器中引入自适应归一化(SN)层替代传统的BN层,使网络能够自适应地提取图像特征,并加速模型的收敛。最后,通过集成无参的SimAM注意力机制,增强判别器捕获和理解图像中的关键局部细节能力,在不额外增加参数的基础上有效提高模型的鉴别能力,进一步提高图像的生成质量。实验结果表明,与原始的SRGAN相比,改进的模型在UCMLU和NWPU数据集上的峰值信噪比(PSNR)分别提升了1.0754 dB和0.3492 dB,结构相似性(SSIM)分别提升了0.0049和0.0070。该研究为遥感图像超分辨率的研究和应用提供了新的视角和技术基础。