结合生成对抗网络的低分辨率遥感影像超分辨率重建.docxVIP

结合生成对抗网络的低分辨率遥感影像超分辨率重建

在数字化与智能化交汇的时代浪潮中，遥感技术作为人类观测地球的宏观慧眼，正以前所未有的广度与深度记录着地表的动态演变。从资源勘探、环境监测到城市规划与灾害评估，高空间分辨率的遥感影像构成了空间决策的核心数据底座。然而，受限于航空航天传感器的硬件制造工艺、轨道高度限制以及大气传输过程中的物理衰减，获取全球范围高频次、高分辨率的观测数据依然面临巨大挑战。高分辨率卫星影像往往伴随着重访周期长、覆盖幅宽窄且采购成本高昂等问题，而低分辨率影像虽具备宽幅广域的覆盖能力，却在地物细节表达上存在先天不足。这种空间分辨率与时间分辨率之间的固有矛盾，长期制约着遥感数据的深度应用。在这一背景下，结合生成对抗网络的超分辨率重建技术应运而生，为突破物理传感器瓶颈、唤醒海量低分辨率影像的潜在价值提供了革命性的智能解题思路。

传统的遥感影像超分辨率重建多依赖于插值算法或基于字典学习的重建方法。插值法计算极为简便，但本质上只是对像素值的平滑过渡，无法复原丢失的高频纹理，容易导致边缘模糊。字典学习虽能引入一定的先验知识，但在处理复杂地表场景时，往往面临计算复杂度极高且泛化能力薄弱的困境。生成对抗网络的引入，彻底颠覆了这一技术范式。该架构由生成器与判别器两大神经网络模块组成，通过博弈论中的零和博弈思想驱动模型进化。在遥感影像重建中，生成器负责将低分辨率输入映射为高分辨率输