A Mamba-Based Approach for Super-Resolution and Speckle Noise Reconstruction of SAR Images in Remote Sensing Applications
Notice bibliographique
Résumé
Synthetic aperture radar (SAR) imagery is often degraded by multiplicative speckle and limited resolution, hindering reliable interpretation. To address this, we proposed MambaR-ESRGAN, a unified restoration framework that jointly performs super-resolution and speckle noise denoising by embedding Mamba's state-space modeling into a Real-ESRGAN backbone. Central to the design are Residual-in-Residual Mamba (RRDM) blocks, which efficiently capture long-range context while preserving fine local structure, enabling accurate suppression of speckle without losing details on edges. MambaR-ESRGAN is computationally efficient and delivers consistent quality gains over strong baselines. On representative benchmarks, it improves PSNR by 9.4% (from 24.16 dB to 26.43 dB) and SSIM by 16.4% (from 0.7065 to 0.8226) compared with the original Real-ESRGAN, with qualitative results showing sharper edges and better preservation of linear features. Extensive experiments across diverse SAR datasets confirm robustness and generalizability, indicating the method's suitability for downstream applications such as flood delineation, road mapping, and ship detection.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».