研究意义
图像超分辨率 (super resolution, SR) 技术使用图像处理等软件方法提升图像的分辨率，不增加任何额外的硬件改进成本。高空间分辨率的遥感图像包含丰富的图像信息，可用于目标检测、建筑物分割、建筑物提取、变化检测等视觉感知任务。随着深度学习的发展，基于卷积神经网络 (convolutional neural network, CNN) 的遥感SR方法已经取得了较好的结果。
然而，大多数基于CNN的遥感图像SR方法都需要配对的高分辨率 (high resolution, HR) -低分辨率 (low resolution, LR) 数据进行训练。在现实世界中，能够获取HR数据的卫星较少，很难获得同一场景下不同分辨率的成对图像。现有方法通常使用简单的退化模型 (例如双三次插值下采样) 来合成配对数据集。一般来说，这种简单的双三次退化过程，与包含复杂变化 (如噪声、模糊和压缩损失) 的真实退化过程差距较大，并不能在真实场景下重建出质量较好的HR图像。
因此，如何利用异源卫星获取的非匹配真实遥感数据进行超分辨率重建，具有较强的研究意义。但非匹配异源遥感图像地物覆盖完全不同，如何在重建时保留LR图像中的内容是挑战性难题。
本文工作
为了解决上述问题，本文提出了非匹配异源遥感卫星图像超分辨率重建方法。首先，利用循环生成对抗网络学习双三次插值域与真实LR域的映射关系，通过加入感知损失使得合成的伪LR图像与真实HR图像具有相同的内容和语义信息，以此组成匹配的LR-HR图像对。然后，利用合成的LR-HR图像为SR网络训练提供像素级监督约束。此外，基于生成对抗网络对SR网络进行训练，提出了退化一致性损失来约束 SR 模型的解空间，以避免SR结果中出现假目标，并提出边缘保留损失防止SR结果中出现错误的边缘和纹理。最后，所提算法重建出的SR结果具有真实的纹理细节信息，同时使图像内容中的目标语义信息更好表达。
实验结果
本文所提出SR算法在真实LR数据与合成LR数据上分别进行了实验，与现有先进的图像SR方法进行了比较，所提算法在主观视觉效果与客观量化指标上都取得了优异的结果。
文章信息
Jie WU, Runmin CONG, Leyuan FANG, Chunle GUO, Bob ZHANG & Pedram GHAMISI. Unpaired remote sensing image super resolution with content-preserving weak supervision neural network. Sci China Inf Sci, doi: 10.1007/s11432-021-3575-1
版权声明：本文内容转自互联网，本文观点仅代表作者本人。本站仅提供信息存储空间服务，所有权归原作者所有。如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至1393616908@qq.com 举报，一经查实，本站将立刻删除。
