注意间隙：量化跨传感器扩散超分辨率中的域间隙

摘要

对高分辨率卫星图像的需求增加了人们对超分辨率 (SR) 的兴趣，以弥补 Sentinel-2 等免费任务与 PlanetScope 等商业系统之间的空间分辨率差距。由于没有传感器提供真正配对的低分辨率和高分辨率观测，SR 模型通常在综合降级数据上进行训练，从而在真实的跨传感器图像上产生域间隙。在这项工作中，我们首次系统地研究了这种合成与真实的不匹配如何影响现代基于扩散的 SR 模型的性能。使用 Sentinel-2 和 PlanetScope 图像的大型几何和时间对齐数据集，我们在受控实验设置下评估了五种最先进的扩散架构。我们还介绍了 LPIPS-Sat，这是一种基于 Sentinel-2 自监督功能的领域自适应感知指标。我们的结果显示了两个持续存在的挑战：综合训练的模型在真实对上急剧退化，而在真实跨传感器数据上训练的模型表现出优化困难，并且难以适应物理和辐射多样性。这些发现凸显了当前 SR 的一个关键局限性，并激发了将超分辨率与域适应分开的方法。