通过变分模型与深度学习的耦合实现遥感图像超分辨率重建

图像超分辨率（SR）是增强遥感图像空间分辨率和细节信息、获得更优视觉质量的有效方法。由于SR是严重不适定问题，有效的图像先验对于正则化解空间并生成相应的高分辨率（HR）图像至关重要。本文提出了一种新颖的梯度引导多帧超分辨率（MFSR）框架，用于遥感图像重建。该框架将学习到的梯度先验作为正则化项整合到基于模型的优化方法中。具体而言，局部梯度正则化（LGR）先验通过梯度轮廓变换从深度残差注意力网络（DRAN）中导出。非局部全变分（NLTV）先验通过最大后验（MAP）模型利用梯度块的空间结构相似性来表征。建模先验在保持边缘平滑性和抑制视觉伪影方面表现良好，而学习先验在增强锐利边缘和恢复精细结构方面效果显著。通过将两种互补先验整合到基于自适应范数的重建框架中，优化混合L1和L2正则化最小化问题，以获得所需的HR遥感图像。在遥感数据上的大量实验结果表明，所提出的方法可以生成视觉上令人愉悦的图像，并在定量评估方面优于多种最先进的SR算法。