基于迁移图像先验的无监督遥感超分辨率

近年来，具有高时间分辨率的卫星在各种实际应用中引起了广泛关注。然而，由于带宽和硬件成本的限制，此类卫星的空间分辨率相当低，在很大程度上限制了它们在需要空间显式信息场景中的潜力。为提高图像分辨率，已有大量基于训练低-高分辨率对的方法被提出以解决超分辨率（SR）任务。尽管这些方法取得了成功，但在高时间分辨率卫星上通常难以获取低/高空间分辨率对，使得此类SR方法在实际应用中不可行。本文提出了一种称为“MIP”的新型无监督学习框架，其在无需低/高分辨率图像对的情况下完成SR任务。首先，将随机噪声图输入所设计的生成对抗网络（GAN）进行重建。然后，该方法将参考图像转换到潜空间作为迁移图像先验。最后，我们通过隐式方法更新输入噪声，并进一步从参考图像迁移纹理与结构信息。在Draper数据集上的大量实验结果表明，MIP在定量与定性上均优于最先进的方法。所提出的MIP已在 http://github.com/jiaming-wang/MIP 开源。