基于对抗展开与数据驱动谱线正则化的谱超分辨方法：从多光谱卫星数据到NASA 高光谱图像
图像与视频处理
2026-03-03 v1
摘要
欧洲空间技术署（ESA）的Sentinel-2 卫星为遥感应用提供了全球多光谱覆盖，但由于光谱分辨率有限（仅12个波段）且空间分辨率不统一（60/20/10米），限制了其实际应用价值。相比之下，高光谱-高空间分辨率传感器（如NASA的AVIRIS-NG）仅覆盖美国地区。由此提出核心问题："通过重构Sentinel-2数据以生成NASA高光谱图像，是否可实现全球高光谱覆盖？"本研究旨在实现从12波段至186波段的光谱超分辨率，并统一Sentinel-2数据的空间分辨率至5米。为实现可靠高效的重构，本文提出一种新型深度展开框架，采用来自PriorNet的数据驱动谱线先验进行正则化，而非依赖传统深度展开方法中隐式的深度先验。此外，融入对抗项以增强展开架构，使判别器能够指导训练及测试阶段的重构过程。我们称之为对抗展开学习（UAL）。实验表明，UALNet在PSNR、SSIM和SAM指标上均优于最优的Transformer模型，同时仅需15%的计算量且参数数目减少20倍。相关代码将公开于https://sites.google.com/view/chiahsianglin/software。
引用
@article{arxiv.2603.00920,
title = {Spectral Super-Resolution via Adversarial Unfolding and Data-Driven Spectrum Regularization: From Multispectral Satellite Data to NASA Hyperspectral Image},
author = {Si-Sheng Young and Chia-Hsiang Lin},
journal= {arXiv preprint arXiv:2603.00920},
year = {2026}
}
备注
Accepted by CVPR 2026