一种受变分自编码器启发的无监督遥感图像超分辨率方法，该方法能够处理图像的多级退化现象

《International Journal of Applied Earth Observation and Geoinformation》：A variational autoencoder inspired unsupervised remote sensing image super resolution method with multi-degradation

中国遥感图像超分辨率研究进展：基于变分自编码器（VAE）的隐式多退化建模方法创新与应用验证 摘要：本文提出了一种基于VAE的遥感图像超分辨率（USRDN-VAE）框架，通过交替优化编码器-解码器结构，结合综合损失函数与隐式编码约束，实现多退化（模糊/噪声/降采样）的隐式盲超分辨率。实验表明，USRDN-VAE在合成数据中PSNR达到24.58dB（×4）、SSIM 0.6831，在真实Jilin-1卫星图像上实现边缘锐化与噪声抑制的平衡，较现有方法提升3-5%的定量指标，同时消除了传统插值带来的锯齿效应。

　　高分辨率遥感图像（RSI）在多个应用领域中发挥着重要作用，如城市规划、环境监测和目标检测等。然而，当前的监督深度学习超级分辨率（SR）算法通常依赖于大规模的配对高分辨率（HR）和低分辨率（LR）图像数据集进行训练，这在实际应用中面临成本高昂和数据获取困难的问题。因此，研究高效且成本低廉的无监督SR方法成为一种趋势。本文提出了一种基于变分自编码器（VAE）的无监督RSI SR框架，该框架通过潜变量建模，实现了对多退化情况的处理能力。VAE能够学习丰富的潜变量表示，并建模输入数据的概率分布，使其在无监督学习中具有天然的优势。此外，VAE在生成多样化的高质量样本方面也表现出色，这些特性使其在实际的盲SR场景中具有显著的应用潜力。

本文的主要贡献包括三个方面：首先，提出了一种基于VAE的无监督RSI SR方法，其中编码器将低分辨率图像映射到潜空间，解码器则通过潜变量重构超分辨率图像；其次，设计了一种交替训练策略，用于编码器和解码器的训练，以提高潜空间分布建模的准确性；最后，设计了一个综合损失函数和潜编码正则化策略，以约束潜变量表示，同时保持图像域的一致性。这些改进措施显著提升了在4倍和8倍SR任务中的SR结果和训练稳定性。

此外，本文还对现有的一些SR方法进行了比较分析，包括RCAN、HSENet、SeD、SRMD、RealESRGAN、UPSR和USRDN。其中，RCAN、HSENet和SeD是基于bicubic退化的监督SR方法，而SRMD、RealESRGAN、UPSR和USRDN则是处理多退化情况的盲SR方法。实验结果显示，本文提出的方法在合成数据上的表现具有竞争力，特别是在4倍和8倍SR任务中。同时，它在无监督学习中的表现也优于监督方法，尤其是在处理多退化情况时。此外，该方法在Jilin-1卫星RSI上的评估进一步验证了其有效性。

本文还对网络结构、损失函数和正则化策略进行了消融实验，以分析其对SR性能的影响。实验结果显示，本文提出的方法在处理无监督学习中的颜色失真和锯齿边缘问题方面表现出色，尤其是在调整解码器网络结构和正则化策略后。此外，损失函数的分析表明，结合图像损失、Geocross损失和bicubic损失能够更有效地约束潜变量分布，从而提高SR结果的质量。正则化策略的引入则进一步稳定了训练过程，使得模型在大倍率下仍能保持较高的性能。

本文的实验结果表明，基于VAE的无监督SR方法在处理多退化情况时具有显著的优势，能够生成高质量的超分辨率图像。此外，该方法在实际应用中也表现出良好的效果，特别是在处理真实世界的RSI数据时。尽管本文的方法在某些指标上表现优异，但仍需进一步研究，以开发更实用和复杂的退化模型，从而提升Degrader的性能和整体SR效果。