FocalSR: Revisiting image super-resolution transformers with fourier-transform cross attention layers for remote sensing image enhancement
Notice bibliographique
Résumé
Transformer architecture has attained noteworthy performance achievements in recent image super-resolution research. However, current transformer-based methods still expose limitations in fully harnessing domain-specific information within images, particularly when applied to broader-scale remote sensing images that contain diverse landscape objects on one scene. Remote sensing images have relatively lower resolution compared to the common super-resolution training dataset and each landscape object covers a small area on the image. These natures of remote sensing images significantly reduced the attention pixels for image restoration in existing transformer-based methods. To address this challenge and enhance domain-specific multi-object image reconstruction, we introduce FocalSR, a Transformer model featuring FOurier-transform Cross Attention Layers for Super-Resolution. Drawing inspiration from state-of-the-art Transformer models like Hybrid Attention Transformer (HAT), FocalSR incorporates channel-focused and window-centric self-attention mechanisms. By integrating Fast Fourier Convolution into the cross-attention layer, FocalSR extends its capacity to capture image-wide information and intricate details in low-resolution images. Through unified task pretraining during model development, we validate the efficacy of these enhancements through extensive testing, resulting in substantial performance improvements. Notably, our experiments showcase FocalSR's superior performance in remote sensing datasets, demonstrating a notable 1 dB enhancement in the PSNR metric compared to other state-of-the-art methods. Additionally, significant improvements are observed in challenging scenarios such as pattern restoration and vegetation detail preservation, underscoring the transformative potential of FocalSR in advancing image processing and domain-specific vision tasks. • Design a novel super-resolution network for remote sensing image enhancement. • Incorporate fast Fourier convolution to improve the model performance. • Demonstrate the potentials to reveal finer spatial patterns and canopy details.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».