Ssa-gan: singular spectrum analysis-enhanced generative adversarial network for multispectral pansharpening
Autores: Liu, Lanfa; Zhang, Jinian; Zhou, Baitao; Lyu, Peilun; Cai, Zhanchuan
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Ssa-gan: singular spectrum analysis-enhanced generative adversarial network for multispectral pansharpening
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Pansharpening
Aplicaciones de teledetección
Red Generativa Antagónica Mejorada por Análisis de Espectro Singular (SSA-GAN)
Características espectrales
Optimización de Pareto
Pansharpening multiespectral
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 21
Citaciones: Sin citaciones
La pansharpening es esencial para aplicaciones de teledetección que requieren alta resolución espacial y espectral. En este documento, proponemos una nueva Red Generativa Antagónica Mejorada con Análisis de Espectro Singular (SSA-GAN) para la pansharpening multispectral. Diseñamos módulos SSA dentro del generador, lo que permite una extracción y utilización más efectiva de las características espectrales. Además, introducimos la optimización de Pareto a la función de pérdida sin referencia para mejorar el rendimiento general. Realizamos experimentos comparativos en dos conjuntos de datos representativos, QuickBird y Gaofen-2 (GF-2). En el conjunto de datos GF-2, el Pico de Relación Señal-Ruido (PSNR) alcanzó 30.045 y la Calidad sin Referencia (QNR) logró 0.920, mientras que en el conjunto de datos QuickBird, PSNR y QNR fueron 24.262 y 0.817, respectivamente. Estos resultados indican que el método propuesto puede generar imágenes pansharpened de alta calidad con una resolución espacial y espectral mejorada.
Descripción
La pansharpening es esencial para aplicaciones de teledetección que requieren alta resolución espacial y espectral. En este documento, proponemos una nueva Red Generativa Antagónica Mejorada con Análisis de Espectro Singular (SSA-GAN) para la pansharpening multispectral. Diseñamos módulos SSA dentro del generador, lo que permite una extracción y utilización más efectiva de las características espectrales. Además, introducimos la optimización de Pareto a la función de pérdida sin referencia para mejorar el rendimiento general. Realizamos experimentos comparativos en dos conjuntos de datos representativos, QuickBird y Gaofen-2 (GF-2). En el conjunto de datos GF-2, el Pico de Relación Señal-Ruido (PSNR) alcanzó 30.045 y la Calidad sin Referencia (QNR) logró 0.920, mientras que en el conjunto de datos QuickBird, PSNR y QNR fueron 24.262 y 0.817, respectivamente. Estos resultados indican que el método propuesto puede generar imágenes pansharpened de alta calidad con una resolución espacial y espectral mejorada.