Science of Remote Sensing· 2026Q1
Çift Branşlı GAN, Zorlu Bölgelerdeki Eksik Uzaktan Algılama Verilerindeki Boşlukları Dolduruyor
Addressing the challenge of missing remote sensing data in cold and high-altitude regions: A Dual-branch Spatiotemporal Fusion GAN based on incomplete images
- 0atıf
- Q1SCImago
- 2026yıl
Kısa özet
Yeni bir Çift Branşlı Uzamsal-Zamansal Füzyon GAN (DSTF-GAN), soğuk ve yüksek irtifa bölgelerindeki eksik verilerden elde edilen yüksek çözünürlüklü uydu görüntülerini etkili bir şekilde yeniden oluşturarak mevcut yöntemleri geride bırakıyor.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Eksik verilerden uzaktan algılama görüntülerini yeniden oluşturmak için Çift Branşlı Uzamsal-Zamansal Füzyon GAN (DSTF-GAN) önerilmiştir.
- Model, çift branşlı bir mimari kullanarak zamansal evrim ve uzamsal detaylardan özellikler çıkarır.
- Bir yapay nesne giderme modülü ve kompozit kayıp fonksiyonu topografik bozulmaları ele alır.
- DSTF-GAN, özellikle yüksek eksiklik oranlarında yapısal benzerlik ve spektral doğruluk açısından beş SOTA modeli geride bırakır.
- Genelleme deneyleri, heterojen sensör kombinasyonları arasında etkinliğini doğrulamıştır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Continuous monitoring of surface dynamics in cold and high-altitude regions is of vital strategic importance. However, sensor limitations hinder the acquisition of complete high-spatiotemporal resolution images. Traditional spatiotemporal fusion models rely on cloud-free reference pairs, struggling with incomplete observations. To address this limitation, this study proposes a Dual-branch Spatiotemporal Fusion Generative Adversarial Network (DSTF-GAN) for incomplete images. The dual-branch architecture extracts features from temporal evolution and spatial detail, enabling the model to learn mapping relationships from cloud-affected multi-temporal pairs. Furthermore, a composite loss function and an artifact removal module are introduced to mitigate topographical distortions. This study presents a comprehensive comparative analysis against five state-of-the-art (SOTA) models, alongside a rigorous ablation study of the DSTF-GAN within a typical study area on the Tibetan Plateau. Experimental results demonstrate that the proposed model outperforms SOTA models in terms of structural similarity and spectral fidelity, especially maintaining robust reconstruction performance even under high missing rates in reference image. Furthermore, generalization experiments on heterogeneous sensor combinations confirm that the model possesses generalizability across diverse spatial resolution scales.
Yazarların özeti; kaynağından alınmıştır. Science of Remote Sensing, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Medya Teknolojisi
Media TechnologyEngineering