摘要
无人机（UAV）搭载的多光谱成像技术实现了灵活且无损的作物监测。尽管UAV图像的空间分辨率远高于卫星平台，但在典型飞行 altitude 下，其空间细节仍不足以用于植物级别的分析和精细的冠层结构分析，这可能会降低植被指数的可靠性。大多数超分辨率（SR）研究关注RGB或卫星图像，并强调感知或像素级别的质量，而忽略了重建后的UAV多光谱图像的光谱保真度。本研究使用开源的AI Hub卷心菜数据集，针对基于UAV的五波段作物图像（蓝光、绿光、红光、红边光和近红外光）建立了一个SR评估框架，通过 controlled downsample（×2、×3、×4）生成低分辨率输入。研究人员比较了九种超分辨率方法（bicubic、SRCNN、EDSR、RCAN、基于SwinIR的算法、基于ESRGAN的算法、基于HAT的算法、基于DAT的算法以及基于DRCT的算法），在2170个测试场景中对这些方法进行了五通道和单波段的重建效果评估，评估指标包括图像质量、光谱角度、植被指数（NDVI、GNDVI、NDRE）、单波段性能以及效率。结果表明，EDSR和RCAN在性能上最为均衡。在×4的分辨率下，单波段的空间保真度方面，EDSR将RMSE降低了12.6%，RCAN将近红外波段的RMSE降低了约21%，相对于bicubic算法有显著改善；而联合重建方法在保留光谱关系（光谱角度和植被指数误差）方面表现最佳。基于学习的方法在×4分辨率下取得了最明显的性能提升。最近提出的基于HAT、DAT和DRCT的注意力模型在像素级别的RMSE和PSNR方面表现最佳，但在相同的训练资源下，它们在光谱角度和植被指数保真度方面并未超过EDSR或RCAN。这些结果表明，UAV多光谱超分辨率技术的评估应同时考虑空间保真度、光谱一致性和农业指数可靠性。
