基于双分支多尺度特征融合与频率分离的DEM超分辨率重建方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：A Topography-Structure-Aware and Similarity-Enhanced Network for DEM Super-Resolution

　　摘要：数字高程模型（DEM）是广泛应用于工程建设、灾害预防等多种领域的基础地理空间数据。然而，大多数现有DEM产品的空间分辨率不足以支持精细的地理空间分析。基于深度学习的超分辨率（SR）技术为提升DEM分辨率提供了一种有前景的解决方案。尽管如此，现有方法往往忽视了局部地形自相似性的引导作用，而这一特性包含了地形结构形态的一致性信息。此外，高频与低频特征的联合学习容易引入地形结构混淆，导致全局地形结构恢复与细节保持之间出现失衡。针对上述问题，本文提出了一种双分支多尺度特征融合网络架构，通过并行提取和融合全局与局部特征，避免了层次特征之间的相互干扰。在该框架内，构建了一个频率分离模块，通过高斯滤波对DEM的高频与低频分量进行解耦并独立建模，从而缓解因联合频率学习所导致的结构混淆问题。作为补充，低频特征自适应调制模块利用局部地形自相似性并聚合相邻区域的信息，进一步增强低频特征的表达能力。在两个公开DEM数据集上的实验结果表明，当从30米上采样至10米时，本文方法在高程、坡度和坡向精度上均持续优于现有最先进的方法。