近期，信息学院许福教授课题组在遥感图像超分辨率研究方面取得研究进展，研究成果以“Robust Remote Sensing Super-Resolution With Frequency Domain Decoupling for Multiscenarios”为题，在遥感领域高水平期刊《IEEE Transactions on Geoscience and Remote Sensing》（中国科学院一区，IF=8.2）上发表。

遥感图像超分辨率是指从低分辨率遥感图像中重建高分辨率图像的过程，对于提升遥感数据的细节和准确性具有重要意义。随着遥感技术的发展，获取的图像分辨率不断提高，图像中包含的地物细节信息也越来越丰富。然而，由于传感器限制、传输带宽和存储空间等因素，实际获取的遥感图像常常存在分辨率不足的问题。因此，利用超分辨率技术对这些低分辨率图像进行处理，以获取更高分辨率的图像，成为了一个重要的研究方向。

传统的遥感图像增强方法主要依赖于空域中的全色锐化技术，通过将高分辨率全色图像与低分辨率多光谱图像融合，旨在生成具有高空间和光谱分辨率的图像。方法包括分量替换和多分辨率分析，但在图像内容复杂时可能会导致光谱或细节失真。卷积神经网络通过从低分辨率图像中提取特征并利用上采样或反卷积技术来恢复高分辨率图像。然而在处理遥感图像的场景多样性、结构复杂性和尺度变化方面存在局限，难以建立全局依赖关系。多尺度注意网络和边缘引导的注意网络，以改善不同传感器之间的图像质量。此外，基于密集谱变换器的谱域超分辨率方法通过变换器学习长距离关系，显著提高了高频细节的捕捉能力。然而，这些方法没有充分利用低频和中频特征，可能影响性能稳定性。扩散模型尽管能够捕捉目标图像复杂的经验分布，但无法从低分辨率图像中恢复部分高频信息。

针对上述问题，许福教授团队设计了频域自感知框架，替代生成模型实现有监督的图像重建，粗粒度自感知用于捕捉相互依赖的元素，细粒度自感知用于提取特征语义信息，均衡自感知用于噪声抑制和背景增强。提出了平衡自感知网络在频域中对多光谱图像进行超解析，以确保空间细节与全色图像的一致性。并利用高景一号卫星获取的多场景数据进行测试，证明该模型具有自适应不同场景的能力，能够重建不同地物特征目标的空间细节。在五个具有不同特征的真实场景中对提出方法进行了评估。结果表明，与最先进的方法相比，提出方法的峰值信噪比显著提高了 2.4-5.5 dB。

图1 频域自感知框架的工作流程图

上述论文第一作者为信息学院2022级博士研究生王升，通讯作者为许福教授、杨锋讲师，北京林业大学为唯一完成单位。该研究受到国家重点研发计划项目（2022YFF1302700）、国家林草局揭榜挂帅项目（202303）、中央高校优秀青年团队项目（QNTD202308）的资助。

论文链接： https://ieeexplore.ieee.org/document/10540255。