Key points are not available for this paper at this time.
Schwache Lichtfernerkundungsbilder (RS) weisen im Allgemeinen eine hohe Auflösung und hohe räumliche Komplexität auf, mit kontinuierlich verteilten Oberflächenmerkmalen im Raum. Diese Kontinuität in den Szenen führt zu umfangreichen Langzeitkorrelationen in den räumlichen Bereichen innerhalb von RS-Bildern. Convolutional Neural Networks (CNNs), die auf lokalen Korrelationen für die Modellierung über große Entfernungen angewiesen sind, haben Schwierigkeiten, Langzeitkorrelationen in solchen Bildern herzustellen. Auf der anderen Seite haben transformerbasierte Methoden, die sich auf globale Informationen konzentrieren, hohe rechnerische Komplexitäten bei der Verarbeitung hochauflösender RS-Bilder. Aus einer anderen Perspektive kann die Fourier-Transformation globale Informationen berechnen, ohne eine große Anzahl von Parametern einzuführen, was es dem Netzwerk ermöglicht, die gesamte Bildstruktur effizienter zu erfassen und Langzeitkorrelationen herzustellen. Daher schlagen wir ein Dual-Domain-Feature-Fusionsnetzwerk (DFFN) zur Verbesserung von RS-Bildern bei schwachem Licht vor. Konkret wird diese herausfordernde Aufgabe der schwachen Lichtverbesserung in zwei überschaubarere Teilaufgaben unterteilt: Die erste Phase lernt Amplitudeninformationen, um die Helligkeit des Bildes wiederherzustellen, und die zweite Phase lernt Phaseninformationen, um Details zu verfeinern. Um den Informationsaustausch zwischen den beiden Phasen zu erleichtern, haben wir einen Informationsfusionsaffinblock entworfen, der Daten aus verschiedenen Phasen und Skalen kombiniert. Darüber hinaus haben wir zwei dunkle Licht-RS-Datensätze erstellt, um dem aktuellen Mangel an Datensätzen zur Verbesserung von RS-Bildern bei schwachem Licht zu begegnen. Umfangreiche Auswertungen zeigen, dass unsere Methode bestehende Spitzenmethoden übertrifft. Der Code ist verfügbar unter https://github.com/iijjlk/DFFN.
Yao et al. (Mon,) untersuchten diese Frage.