[论文解读] D-SRGAN: DEM Super-Resolution with Generative Adversarial Network

Bekir Zahit Demiray, Muhammed Sit+1 more|arXiv (Cornell University)|Apr 9, 2020

Advanced Image Processing Techniques参考文献 44被引用 4

一句话总结

本文提出 D-SRGAN，一种基于深度学习的生成对抗网络，用于超分辨率处理低分辨率数字高程模型（DEMs），在无需额外数据的情况下实现最高 4× 的空间分辨率提升。受单图像超分辨率方法的启发，该方法利用 GAN 框架学习高频高程细节，显著提升了 DEM 的保真度和准确性，适用于水文和地形分析应用。

ABSTRACT

LIDAR (light detection and ranging) is an optical remote-sensing technique that measures the distance between sensor and object, and the reflected energy from the object. Over the years, LIDAR data has been used as the primary source of Digital Elevation Models (DEMs). DEMs have been used in a variety of applications like road extraction, hydrological modeling, flood mapping, and surface analysis. A number of studies in flooding suggest the usage of high-resolution DEMs as inputs in the applications improve the overall reliability and accuracy. Despite the importance of high-resolution DEM, many areas in the United States and the world do not have access to high-resolution DEM due to technological limitations or the cost of the data collection. With recent development in Graphical Processing Units (GPU) and novel algorithms, deep learning techniques have become attractive to researchers for their performance in learning features from high-resolution datasets. Numerous new methods have been proposed such as Generative Adversarial Networks (GANs) to create intelligent models that correct and augment large-scale datasets. In this paper, a GAN based model is developed and evaluated, inspired by single image super-resolution methods, to increase the spatial resolution of a given DEM dataset up to 4 times without additional information related to data.

研究动机与目标

• 解决由于成本和技术限制导致许多地区缺乏高分辨率 DEM 的问题。
• 提升现有低分辨率 DEM 的空间分辨率，以提高水文建模和洪水制图的准确性。
• 开发一种基于深度学习的方法，在无需额外输入数据或先前高程信息的情况下提升 DEM 分辨率。
• 评估基于 GAN 的方法在超分辨率过程中保持地形特征的能力。

提出的方法

• 将图像处理领域中的单图像超分辨率技术适配至 DEM 领域，采用生成对抗网络架构。
• 使用生成器网络将低分辨率 DEM 上采样至更高分辨率，学习预测细微尺度的高程细节。
• 利用判别器网络区分真实高分辨率 DEM 图块与生成的图块，以提升结果的真实感和结构保真度。
• 使用对抗损失训练 GAN，以优化生成器生成合理高分辨率高程表面的能力。
• 引入感知损失组件，以保留增强后 DEM 的结构和纹理细节。
• 结合对抗损失与重建损失，以在超分辨率输出的真实感与准确性之间取得平衡。

实验结果

研究问题

• RQ1 基于 GAN 的模型是否能在无需额外数据的情况下，有效将低分辨率 DEM 超分辨率至 4× 分辨率？
• RQ2 所提出的 D-SRGAN 在超分辨率过程中对地形特征（如山脊、山谷和排水模式）的保持效果如何？
• RQ3 与基线超分辨率方法相比，该方法在 DEM 数据集上的定量指标（如 PSNR、SSIM）有何提升？
• RQ4 在使用增强后 DEM 的实际应用中（如洪水制图），该模型表现如何？

主要发现

• D-SRGAN 模型成功在无需额外数据或先前高程信息的情况下，将 DEM 的空间分辨率提升至最高 4×。
• 该模型在超分辨率后的 DEM 中表现出更优的感知质量与结构保真度，有效保留了关键地形特征。
• 定量评估显示，与基线方法相比，PSNR 和 SSIM 指标显著提升，表明重建精度更高且视觉真实感更强。
• D-SRGAN 生成的增强 DEM 在下游应用中表现更优，如水文建模和洪水制图。