Sentinel-2 超分辨率的流匹配：实现、应用与意义

开发面向卫星图像超分辨率的鲁棒技术常常面临光谱保真度与感知质量之间的权衡。本文引入一种用于将 10 米分辨率的 Sentinel-2 可见光和近红外波段进行 4 倍超分辨率的流匹配模型，采用在美国本土（CONUS）获取的 120,851 对 10 米 Sentinel-2 与 2.5 米分辨率 NAIP 图像对（同一天获取）。我们的结果表明，流匹配模型在欧拉方法下的单次采样中在像素级准确性上优于扩散模型和 Real-ESRGAN 模型。当使用二阶中点求解器评估时，我们的模型仅需 20 次采样即可生成感知上真实的超分辨率图像，有效在推理阶段导航感知-失真权衡，而无需重新训练。我们利用该模型生产了基于 2025 年 10 米 Sentinel-2 年度合成的 2.5 米 4 波段 CONUS 超分辨率图像产品，包含超过 1580 亿像素。我们进一步评估了超分辨率数据在地表覆盖分类任务中使用语义分割模型的效果。最后，我们为 2020-2025 年的 Chesapeake Bay 河流域生产了一款年度 2.5 米分辨率的地表覆盖产品。针对 25,000 个地面真值点进行的精度评估显示，该年度地表覆盖产品整体准确率为 89.11%。我们得出结论，流匹配是一种有效的生成式建模方法，相较于扩散和基于生成对抗网络的方法，在 Sentinel-2 图像超分辨率方面表现更佳，对满足空间细节要求的地理空间应用而言，大幅提升了高分辨率图像的可获取性具有重要意义。