超越漂亮图片：Sentinel2图像的单图像和多图像超分辨率组合（英）

本文提出了一种名为 SEN4X 的混合超分辨率架构，用于提升 Sentinel-2 卫星图像的分辨率。该架构结合了单图像和多图像超分辨率技术的优势，通过融合多次 Sentinel-2 获取的时间采样数据和从高分辨率 Pleiades Neo 数据中学习到的先验知识，将 Sentinel-2 图像的地面采样距离提升至 2.5 米。

研究以越南河内市为区域，将 SEN4X 应用于城市土地覆盖分类任务，并与仅使用高分辨率 Pleiades Neo 图像和简单上采样 Sentinel-2 图像的分类性能进行比较。结果表明，SEN4X 模型在土地覆盖分类任务中表现最佳，其平均交并比 (mIoU) 比仅使用单图像超分辨率技术提高了 2.7 个百分点，比仅使用多图像超分辨率技术提高了 12.9 个百分点。

此外，研究还发现传统的图像质量指标（如峰值信噪比 PSNR 和结构相似性指数 SSIM）并不能有效反映超分辨率图像对下游分析任务的实际效用。例如，HighResNet 在 PSNR 和幻觉分数等指标上表现良好，但其分类性能却不如 Sen4X。研究认为，LPIPS 指标更能反映超分辨率图像对土地覆盖分类任务的适用性。

研究结论表明，SEN4X 能够有效提升 Sentinel-2 图像的分辨率，并显著改善土地覆盖分类等下游分析任务的性能。同时，研究也呼吁在评估超分辨率模型时，应更加关注其对特定任务的效用，而非仅仅依赖图像质量指标。