SwinIR

引入

1. 在图像超分引入Swin Transformer网络，效果很好
2. 损失函数没有明说，据说综合了像素、GAN、感知损失
3. 网络小改后适用于图像去噪和去雨

Abstract

性能优越+参数量少

SRGAN

引入

1. 在图像超分引入GAN网络
2. 引入新的图像评价指标——利用VGG提取超分/原始图像特征，对这些特征进行比较
3. 综合了GAN（判别器）+ 指标图像评价指标提出新的损失函数
4. MOS测试——并不简单基于MSE评价图像质量，更多考虑肉眼感知质量

Abstract

2024.10.14

• 火星的DEM数据和矿物（下垫面）数据分辨率较低无法指导超分 使用可见光图像数据反演得到较高的DEM数据以及矿物数据
• 是否需要考虑火星表面粗糙度的问题

2024.11.13

• 6m分辨率的火星可见光图像占用空间过大 重采样到25m分辨率后大小就很小了
• 可见光图像和热红外图像投影方式好像不一致
• 热红外图像和可见光图像纬度边界处不对齐，详见ArcMAP
• 如何裁剪图像制作训练集，需要一套完整可复用的数据处理方式
• 网络架构中如何直接加入物理约束，又是否需要加注意力（见CSDN帖）等优化