【深度学习新浪潮】遥感图像风格化迁移研究工作介绍

遥感图像风格化迁移是将艺术风格（如油画、素描、赛博朋克等）迁移到遥感图像中，同时保留其地理结构和关键地物信息的技术。由于遥感图像具有分辨率高、地物结构复杂（如建筑、道路、植被等）、可能包含多光谱信息等特点，其风格化迁移与自然图像相比存在特殊挑战（如需避免破坏地理特征的可识别性）。以下从方法、研究进展、代码与数据三个方面进行说明。

一、遥感图像风格化迁移的核心方法

遥感图像风格化迁移的技术路线可分为传统方法和深度学习方法，目前主流是深度学习方法：

1. 传统方法
   基于纹理替换、滤波或特征融合，如：

   • 利用高斯金字塔分解图像的结构和纹理，将风格图像的纹理叠加到遥感图像的结构上；
   • 基于马尔可夫随机场（MRF）匹配风格图像与遥感图像的局部纹理统计特征。
     但传统方法难以处理复杂地物的风格迁移，容易导致地物边界模糊或结构失真。

2. 深度学习方法
   基于神经网络学习风格特征与内容特征的分离和融合，核心是内容-风格解耦，主流框架包括：

   • 基于生成对抗网络（GAN）：如CycleGAN（无配对