科研动态 | 中山大学遥感科学与技术学院重力遥感与导航团队在遥感影像盲超分辨率重建方面取得新进展

一、研究背景

      遥感图像在地表信息获取中具有重要作用，广泛应用于道路提取和目标检测等领域。然而，传统的低分辨率遥感图像因分辨率限制，难以提供足够细节，影响后续分析的精度。虽然无人机能提供高分辨率图像，但大范围覆盖时面临高成本和资源消耗。相比之下，卫星遥感图像易于获取且覆盖广泛，但分辨率较低，且不同传感器图像拼接时存在信息不一致，影响处理和分析。

      近年来，深度学习技术在遥感图像超分辨率重建中取得进展，常用方法包括卷积神经网络（Convolutional Neural Network, CNN）、生成对抗网络（Generative Adversarial Network, GAN）和Transformer。CNN适合局部信息捕捉，但容易产生较为平滑的结果；GAN生成图像更真实，但全局建模较弱；Transformer擅长捕捉全局信息，提升一致性，但细节较平滑，缺乏逼真感。现有方法在多源遥感数据处理上普遍存在泛化能力不足的问题。

      为此，本研究提出了一种结合Transformer和GAN的盲超分辨率框架，将Transformer引入生成器网络，增强了长程空间关联建模能力，并设计了色彩一致性约束算法，提升了模型对多源遥感数据的适应性。通过比较真实配对数据和合成降解数据的训练效果，研究了高低分辨率图像获取时间差异对重建质量的影响，揭示了季节性变化和地面覆盖差异对重建结果的影响。

二、研究内容

      本文为遥感图像盲超分辨率重建研究构建了两套遥感数据集：一套是具有时间差的晋中市榆次区数据集，另一套是具有一致时间和地面覆盖条件的宜昌市数据集。榆次数据集示意图如下：

图1 晋中市榆次区数据集区域示意图

      如图2所示，当真实的高低分辨率遥感图像时间一致，且地面覆盖、季节和光照条件匹配时，基于真实配对数据集构建的模型能够获得更好的重建质量。相反，当数据集一致性差时，基于随机降解模块构建的数据集能够获得更好的重建效果，为降解模型的构建提供了理论依据。

图2 榆次数据集不同盲超分方法的可视化结果及其对应的学习感知图像块相似度（Learned Perceptual Image Patch Similarity, LPIPS）值

      此外，本文通过将多层空洞卷积结构与多级密集残差Swin Transformer结合，改进了网络模型。判别器采用矩阵均值判别器，有效地融合了Transformer的强大特征提取能力与GAN的图像生成优势，增强了模型捕捉多尺度和全局信息的能力，显著提高了整体性能。通过局部归因图（local attribution maps, LAM)）和扩散指数（diffusion index, DI）的可解释性分析，进一步确认了Transformer模块作为生成器显著提升了模型提取长程信息的能力（图3）。

图3 不同对比方法的可视化结果及其对应的LPIPS值

      为了解决多源数据问题，本文设计了基于特征空间对齐的色彩一致性约束算法。该算法能够自适应规范化不同传感器的色彩分布，有效解决跨传感器重建中的色彩偏差问题，显著提升了模型的泛化能力。实验结果表明，所提出的方法不仅改善了重建精度，使重建的色彩细节更接近高分辨率图像，显著增强了模型在不同场景下的泛化能力（图4）。

图4 色彩一致性算法的可视化结果及LPIPS值

三、总结与展望

      本研究聚焦于异源遥感图像重建，比较了真实配对数据与合成降解数据的效果，分析了高低分辨率图像时间差异对重建质量的影响。研究揭示了季节性变化和地面覆盖差异的影响，并提出了色彩一致性约束算法，显著提升了模型的泛化能力。我们开发了遥感图像专用的降解策略，构建了榆次和宜昌两个数据集。实验表明，时间一致的真实配对数据集能获得更好的重建质量，而随机降解数据集在数据一致性差时表现更优。此外，通过将多层空洞卷积与Swin Transformer结合，改进了网络结构，显著提升了图像重建性能。色彩一致性算法有效解决了跨传感器色彩偏差问题，进一步提升了重建精度。

四、发表信息

      研究成果于近期在测绘地理信息领域期刊《Geo-spatial Information Science》上发表。中山大学遥感科学与技术学院重力遥感与导航团队博士张泽远为第一作者，冯伟教授为通讯作者，钟敏教授、杨萌副教授为合作作者。该项目得到了国家重点研发计划（2024YFC2813500）和中山大学中央高校基本科研业务费项目（23xkjc012）联合资助。

      原文信息：Zhang, Zeyuan（张泽远）, Wei Feng（冯伟*）, Min Zhong（钟敏）, and Meng Yang（杨萌）. 2025. “BD-VITGAN: A Blind Dense VITGAN for Satellite Remote Sensing Images Super-Resolution Reconstruction.” Geo-spatial Information Science, pp. 1–23.

      原文链接：https://doi.org/10.1080/10095020.2025.2567568

编辑：陶凯迪

初审：冯伟 王天星

审核：许粤

终审：陈华桂