Answers are grounded in this paper and cite their sources.
Demonstrates improved bathymetric reconstruction accuracy in various marine environments, suggesting practical application in ocean science.
海底地形高分辨率重建对海洋科学与工程具有重要意义。针对现有以数字水深模型(Digital Bathymetric Model)作为单一标签的超分研究在真实多波束数据验证上存在局限,且DBM数据分辨率和精度有待提高的问题,本文提出窗口错位多源数据融合海底地形背景场超分辨率优化方案,构建了基于残差 U-Net 注意力的海底地形背景场超分辨率优化模型。此模型结合4种卫星测高反演的重力参量数据对作为背景场的GEBCO数据进行超分辨率优化,采用动态滑窗与位置编码进行局部数据融合,在 1′分辨率的有效观测点上训练。训练后以滑动窗口错位移动推理实现 30″ 与 15″ 两档分辨率的背景场优化,并以未参与训练的高分辨率多波束数据作为真值进行评价。实验在西沙群岛与夏威夷皇帝海山链两片地形差异显著的海域上进行,对比了各种基础神经网络并针对海底地形背景场超分辨率优化任务进行了模型优化思路的探讨。结果表明,残差U-Net 注意力模型在 30″ 与 15″ 下的输出结果误差数值均显著低于GEBCO背景场和所有基础神经网络基线模型,并在0.1–1 cycles/km频段内表现出更优拟合特征;超分模型优化试验验证了ASPP(Atrous Spatial Pyramid Pooling,空洞空间金字塔池化)与通道注意力等模块,在提升模型多尺度与多源数据融合性能的道路上进行了更深入的探索。研究表明所提方法在提升海底地形重建精度与多分辨率稳定性方面具有实用价值,并为多源数据驱动的海域地形重建提供了可行路径。
No takes yet. Share an insight, caveat, or question.
Xingyu et al. (2026) studied this question.
Synapse has enriched 10 related papers. Consider them for comparative context: