具有地形感知能力的自适应融合技术，用于多源DEM的多尺度超分辨率处理

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Topography-Aware Adaptive Fusion for Multi-Scale Super Resolution of Multi-Source DEMs

　　

摘要：

数字高程模型（DEMs）的超分辨率（SR）对于众多地理空间应用至关重要，然而现有方法在处理多尺度重建和多源数据时仍然面临严峻挑战。特别是，主流的 DEM SR 方法主要依赖于卷积神经网络（CNNs），其固有的局部感知域限制了它们对大型地貌单元（如山脉）全局结构一致性进行建模的能力。因此，在处理空间异质性地形时，很难同时保证局部细节的准确性。为了解决这一特征表示瓶颈，本文提出了一种名为 TAAF-SRNet 的统一框架。该框架结合了协同学习与基于元学习的上采样技术，以实现灵活的多尺度重建。其核心包括改进的特征提取模块（EFEM），该模块采用了并行 CNN-Transformer 架构，以及一种新颖的地形感知自适应融合机制。该机制可以动态评估局部地形复杂性，并自适应地调整 CNN 捕获的局部纹理与 Transformer 建模的全局上下文之间的权重。这种地形感知策略使得模型能够适应从广阔的深海平原到崎岖的陆地山脉等多种地貌类型。在对三种具有代表性的异质地貌（即陆地、陆海过渡区及海底）的不同 DEM 数据集进行的广泛实验中，结果表明 TAAFSRNet 不仅在图像质量指标（如 PSNR 和 LPIPS）上优于当前最先进的（SOTA）方法，而且更好地保持了地形真实性，这体现在高程、坡度和朝向估计的 MAE 和 RMSE 更低上。代码可在此处获取：https://github.com/bbqboy666/TAAF-SRNet。