基于迁移编码器和自回归生成模型的时空卫星图像降尺
计算机视觉与模式识别
2025-12-08 v1 机器学习
机器学习
摘要
我们提出了一种基于迁移学习的生成式降尺框架，用于从粗糙尺度输入重建细节卫星图像。我们的方法将轻量级 U-Net 迁移编码器与基于扩散的生成模型相结合。首先在长时间序列粗糙分辨率数据上预训练较简单的 U-Net，以学习时空表示；然后冻结其编码器作为物理上有意义的潜在特征，迁移到更大的降尺模型。我们使用的应用将 NASA 的 MERRA-2 反演作为低分辨率源域（50 km），将 GEOS-5 Nature Run（G5NR）作为高分辨率目标（7 km）。我们的研究区域包括亚洲的大范围区域，通过分为两个子区域和四个季节来使计算变得可行。我们使用 Wasserstein 距离进行域相似性分析，确认 MERRA-2 与 G5NR 之间分布迁移最小，验证了参数冻结迁移的安全性。在季节性区域划分中，我们的模型实现了优异的性能（R2 = 0.65 到 0.94），优于包括确定性 U-Net、变分自编码器和先前迁移学习基准在内的比较模型。超数据集评估使用 semivariogram、ACF/PACF 和滞后基准的 RMSE/R2 证明了预测的降尺图像保持了物理上一致的空间变异性和时间自相关，实现了在 G5NR 记录之外的稳定自回归重构。这些结果表明，增强的迁移扩散模型为使用有限训练周期对粗糙分辨率图像长时间序列进行降尺提供了稳健且物理上连贯的解决方案。此进展对提高环境暴露评估和长期环境监测具有重大意义。
引用
@article{arxiv.2512.05139,
title = {Spatiotemporal Satellite Image Downscaling with Transfer Encoders and Autoregressive Generative Models},
author = {Yang Xiang and Jingwen Zhong and Yige Yan and Petros Koutrakis and Eric Garshick and Meredith Franklin},
journal= {arXiv preprint arXiv:2512.05139},
year = {2025}
}