退一步看进一步：推进遥感超分辨率
计算机视觉与模式识别
2023-12-01 v1
摘要
遥感超分辨率有潜力通过频繁且全球尺度地生成准确而真实的高分辨率影像，对地球监测产生巨大影响。尽管受到大量关注，若干不一致性与挑战阻碍了其在实践中的部署。这些包括缺乏有效指标、用于训练的碎片化且相对小规模的数据集、跨一系列方法的充分比较不足，以及超分辨率输出用于机器处理的有效性证据不明。本工作提出了一种用于超分辨率的新指标CLIPScore，在一项广泛研究中其与人判定的吻合度远优于先前的指标。我们使用CLIPScore在新大规模数据集S2-NAIP和三个现有基准数据集上评估四种标准方法，发现生成对抗网络轻易优于更传统的基于L2损失的模型，且在语义上比现代扩散模型更准确。我们还发现，使用CLIPScore作为辅助损失可将GAN的训练加速18倍并改善输出，从而得到一个在全世界多样地理区域均有效的模型，我们将公开该模型。数据集、预训练模型权重和代码可在 https://github.com/allenai/satlas-super-resolution/ 获取。
引用
@article{arxiv.2311.18082,
title = {Zooming Out on Zooming In: Advancing Super-Resolution for Remote Sensing},
author = {Piper Wolters and Favyen Bastani and Aniruddha Kembhavi},
journal= {arXiv preprint arXiv:2311.18082},
year = {2023}
}