根据《光学遥感成像链路耦合典型误差反演》所述，针对不具有显著刃边特征的遥感图像，有学者提出了基于深度残差收缩网络（Deep Residual Shrinkage Network，DRSN）和LM-PSO（Levenberg Marquardt-Particle Swarm Optimization）混合优化的光学遥感成像链路耦合典型误差源反演算法。

基于深度残差收缩网络和LM-PSO混合优化的耦合典型误差反演

首先基于典型误差源的调制传递函数模型和耦合误差源的解耦原理，建立耦合典型误差解耦方程组。然后，基于深度残差收缩网络，确定遥感图像的耦合典型误差源初值。最后利用LM-PSO混合优化算法对耦合典型误差解耦方程组进行解算，反演出光学遥感成像链路的典型误差源及其误差量。

其中，残差收缩网络模块中还应用了软阈值化处理，其阈值是通过网络自动学习得到的。

深度残差收缩网络的基本单元

实验结果表明，该算法对失真遥感图像的耦合典型误差的反演值与真实值的相对误差最大不超过20%，绝大部分都在10%以下，具有优良的反演性能。