現在の深層学習に基づくリモートセンシング画像超解像再構成モデルはハードウェア要求が高い問題に対処するため、本論文では再パラメータ化に基づく軽量残差特徴リモートセンシング画像超解像再構成ネットワークを設計した。まず、再パラメータ化手法を用いて画像の局所特徴を効果的に抽出する残差局所特徴モジュールを設計した。画像内部に出現する類似特徴を考慮し、軽量なグローバルコンテキストモジュールを設計して類似特徴の関連付けを行い、ネットワークの特徴表現能力を向上させた。また、このモジュールのチャネル圧縮率を調整することでモデルのパラメータ数を削減し、性能を改善した。最後に、アップサンプリングモジュール前に多層特徴融合モジュールを用いてすべての深層特徴を集約し、より包括的な特徴表現を生成した。UC Mercedリモートセンシングデータセットでテストを行ったところ、本アルゴリズムはリモートセンシング画像の3倍超解像でパラメータ数が539K、ピーク信号対雑音比が30.01dB、構造類似度が0.8449、モデル推論時間が0.010秒であり、HSENetアルゴリズムはパラメータ数5470K、ピーク信号対雑音比30.00dB、構造類似度0.8420、モデル推論時間0.059秒であった。実験結果は、本アルゴリズムがHSENetアルゴリズムと比較してパラメータ数が少なく、実行速度が速く、ピーク信号対雑音比と構造類似度にも一定の改善を示すことを明らかにした。DIV2K自然画像データセットでのテストでも、本アルゴリズムは他のアルゴリズムに比べピーク信号対雑音比と構造類似度で一定の優位性を持ち、汎化性能の高さを示した。

超解像;リモートセンシング画像;グローバルコンテキスト;再パラメータ化;残差ネットワーク