ToolsAi

2025-11-03 14:54 江苏

论文题目：Advancing Image Super-resolution Techniques in Remote Sensing: A Comprehensive Survey
发表期刊: ISPRS Journal of Photogrammetry and Remote Sensing （IF = 12.2）
论文链接：

Arxiv版本: https://arxiv.org/abs/2505.23248
期刊版本: https://doi.org/10.1016/j.isprsjprs.2025.10.024

引言：遥感超分技术的研究背景与意义

遥感图像超分辨率（RSISR）是遥感图像处理的核心任务，旨在从低分辨率（LR）图像重建高分辨率（HR）图像，以突破传感器固有的空间分辨率限制。随着遥感在土地覆盖制图、农业监测、灾害评估和城市监控等领域的广泛应用，高质量HR图像需求日益迫切。RSISR技术通过增强图像细节和信息量，显著提升下游任务性能。如图1所示，RSISR能够从LR输入恢复丰富的纹理和结构信息，验证了其实际价值。

图1：几个超分辨率重建（RSISR）的示例。第一列显示的是低分辨率（LR）图像，而第五列显示的是使用 SRCNN 方法[32, 33]进行 4 倍超分辨率重建的结果。第二列和第三列分别展示了由第一和第二卷积层生成的特征图中响应最强通道的热图可视化。第四列显示的是高分辨率（HR）的真实图像。可以看出，超分辨率图像包含更丰富的细节和纹理信息。

近年来，RSISR研究论文数量呈现爆炸式增长（图2），从2014年的零星发表到2025年的数百篇，凸显了该领域的活跃度和重要性。本综述系统回顾了过去二十多年的RSISR方法，涵盖400余篇文献，填补了现有综述在时效性、分类框架和新兴架构覆盖方面的空白。

图2：2014 年以来关于 RSI 的 SR 算法的论文数量（根据 Web of Science 数据）。

方法体系：遥感超分技术分类全景

本综述创新性地提出基于学习范式的分类框架，将RSISR方法划分为监督和无监督两大范畴，并进一步细分为传统方法和深度学习方法。图3展示了这一全面的分类体系，帮助读者清晰把握技术脉络。

监督方法主要包括：

传统方法：如稀疏编码、邻域嵌入和回归方法，依赖手工特征和先验知识，但计算复杂且细节恢复能力有限。例如，基于稀疏编码方法使用过完备字典进行重建，但效率较低；基于邻域嵌入方法利用局部几何结构，但可能丢失全局信息。
深度学习方法：利用CNN、GAN、Transformer、扩散模型和Mamba等架构，实现端到端的高质量重建。代表性工作包括：

CNN-based方法：如SRCNN首次将CNN引入超分，DRSEN集成注意力机制优化细节。
GAN-based方法：如SRGAN生成逼真纹理，但可能引入 artifacts。
Transformer-based方法：如SwinIR捕获长程依赖，提升全局一致性。
Diffusion-based方法：通过迭代去噪实现高保真重建，但计算成本高。
Mamba-based方法：以线性复杂度实现高效建模，适合大规模数据。

无监督方法涵盖：

传统方法：如插值、POCS、IBP和概率模型，无需配对数据，但性能受限。例如，POCS-based方法通过凸集投影迭代优化，但收敛慢。
深度学习方法：包括自监督学习、对比学习、生成式方法和零样本学习，适应真实场景中HR数据缺失的挑战。例如，自监督方法利用内部图像统计，而对比学习通过特征对比增强鲁棒性。