面向空间下采样的时间感知UNet和超分辨率深度残差网络
计算机视觉与模式识别
2025-12-17 v1 机器学习
图像与视频处理
机器学习
摘要
大气污染的卫星数据通常仅以粗糙的空间分辨率提供，这限制了其在局部尺度环境分析和决策中的适用性。空间下采样方法旨在将粗糙卫星数据转换为高分辨率场。在本工作中，考虑了两种广泛使用的深度学习架构：超分辨率深度残差网络（SRDRN）和基于编码器-解码器的UNet，用于 tropospheric ozone 的空间下采样。两种方法都扩展了轻量级时序模块，该模块通过正弦或径向基函数（RBF）编码观察时间，并在网络中将时序特征与空间表征融合。所提出的时间感知扩展相对于其基线 counterpart 在意大利的臭氧下采样案例研究中进行了评估。结果表明，尽管仅略微增加了计算复杂度，时序模块显著提高了下采样性能和收敛速度。
引用
@article{arxiv.2512.13753,
title = {Time-aware UNet and super-resolution deep residual networks for spatial downscaling},
author = {Mika Sipilä and Sabrina Maggio and Sandra De Iaco and Klaus Nordhausen and Monica Palma and Sara Taskinen},
journal= {arXiv preprint arXiv:2512.13753},
year = {2025}
}