基于无尺度不变性神经方法的地表温度超分辨率：在 MODIS 上的应用
机器学习
2025-02-04 v1 计算机视觉与模式识别
摘要
由于热红外星载传感器在时间和空间分辨率之间的权衡，超分辨率方法被开发出来以提供精细尺度的地表温度 (LST) 图。大多数方法在低分辨率下训练但在精细分辨率下应用，因此它们需要一个并非总是适用的尺度不变性假设。本工作的主要贡献是引入了一种用于训练神经网络 (NN) 模型的无尺度不变性方法，并实现了两个 NN 模型，称为用于 MODIS LST 产品超分辨率的无尺度不变性卷积神经网络 (SIF-CNN-SR)。无尺度不变性方法在于训练模型，以提供高空间分辨率的 LST 图，这些图在降级到低分辨率时能恢复初始 LST，并包含由高分辨率 NDVI 提供的精细尺度纹理。本工作的第二个贡献是发布了一个包含与 MODIS 图像同步的 ASTER LST 图像的测试数据库，可用于评估超分辨率算法。我们将提出的两个模型 SIF-CNN-SR1 和 SIF-CNN-SR2 与四种最先进的方法（双三次插值、DMS、ATPRK、Tsharp）以及一个与 SIF-CNN-SR 共享相同架构但在尺度不变性假设下训练的 CNN 进行了比较。我们表明，根据专注于纹理分析的 LPIPS 和傅里叶空间度量评估，SIF-CNN-SR1 优于最先进的方法和其他两个 CNN 模型。这些结果以及可用于评估的 ASTER-MODIS 数据库为未来 LST 超分辨率研究带来了希望。
引用
@article{arxiv.2502.01204,
title = {Land Surface Temperature Super-Resolution with a Scale-Invariance-Free Neural Approach: Application to MODIS},
author = {Romuald Ait-Bachir and Carlos Granero-Belinchon and Aurélie Michel and Julien Michel and Xavier Briottet and Lucas Drumetz},
journal= {arXiv preprint arXiv:2502.01204},
year = {2025}
}