一种高效遥感图像超分辨方法：探索扩散先验与多模态约束用于作物类型制图
计算机视觉与模式识别
2025-10-28 v1
摘要
超分辨技术为利用甚至中等分辨率但历史价值的遥感图像档案提供了一种方法。生成模型，特别是扩散模型，最近被应用于遥感图像超分辨率（RSSR），但仍存在若干挑战。首先，扩散模型虽然有效，但需要从头训练耗费昂贵资源且推理速度较慢。其次，当前方法在利用辅助信息作为现实约束来重建科学上真实的图像方面利用有限。最后，大多数当前方法缺乏对下游任务的评估。本研究提出了一种用于RSSR的高效LSSR框架，基于全新的多模态数据集，包含配对的30米Landsat 8与10米Sentinel 2影像。基于冻结的预训练Stable Diffusion，LSSR集成了跨模态注意力机制，结合辅助知识（数字高程模型、土地覆盖、月份）和合成孔径雷达引导信息，通过调整适配器和量身定制的傅里叶NDVI损失函数来平衡空间细节与光谱保真度。广泛的实验表明，LSSR显著改善了作物边界的描绘与恢复，实现了峰值信噪比/结构相似性指数测度的领先表现（RGB为32.63/0.84，IR为23.99/0.78），并取得最低的NDVI均方误差（0.042），同时保持高效推理速度（0.39秒/图像）。此外，LSSR能有效迁移至NASA和谐化Landsat与Sentinel（HLS）超分辨任务，实现更可靠的作物分类（F1为0.86），优于Sentinel-2（F1为0.85）。这些结果凸显了RSSR在提升精密农业方面的潜力。
引用
@article{arxiv.2510.23382,
title = {An Efficient Remote Sensing Super Resolution Method Exploring Diffusion Priors and Multi-Modal Constraints for Crop Type Mapping},
author = {Songxi Yang and Tang Sui and Qunying Huang},
journal= {arXiv preprint arXiv:2510.23382},
year = {2025}
}
备注
41 pages