摘要
多光谱遥感为土地监测和环境分析提供了丰富的光谱信息，但像哨兵-2号（Sentinel-2）这样的传感器常常受限于采集条件限制和云覆盖，而广泛可获取的RGB图像则缺乏详细的光谱波段。然而，从RGB重建多光谱波段是一个严重不适定（ill-posed）的逆问题：红边、近红外（NIR）和短波红外（SWIR）波段与三个可见光通道之间不存在直接的逐像素对应关系，而在受云污染的采集过程中部分光谱信息完全缺失。现有的深度学习模型大多依赖对抗训练，这导致训练不稳定且容易引入光谱失真，而仅使用逐像素损失的模型则倾向于过度平滑细节。本文提出了一种重建框架，用于从RGB图像生成十个选定的哨兵-2号波段（B2–B8、B8A、B11–B12）。生成器采用带有光谱注意力模块的残差U-Net（置于瓶颈处），使用结合逐像素L1损失和感知LPIPS损失的复合损失进行训练，以平衡光谱保真度和结构真实性。在fMoW-Sentinel测试集上，L1+LPIPS模型达到了20.28 dB的PSNR、0.844的SSIM、0.326的LPIPS和6.80的SAM，在所有四项指标上均优于更复杂的基于GAN的变体；仅添加LPIPS即可使PSNR提高0.58 dB（相对于仅L1的基线），光谱注意力模块进一步带来了增益。无需微调，该模型在EuroSAT和BigEarthNet-S2上分别保留了19.82 dB和19.68 dB的PSNR。架构消融实验证实光谱注意力模块带来了一致的改进，跨数据集泛化实验展示了其可迁移性。下游NDVI评估验证了重建多光谱影像的实际效用。该框架为光谱增强提供了实用的解决方案，其模块化架构便于未来扩展。
