DetDiffRS: 面向细节优化的遥感图像超分辨率扩散模型

来源：电子与信息学报杂志2025年第12期北京时间：

作者：宋淼, 陈志强, 王培松, 邢相薇, 黄立威, 程健

单位：1.中国科学院自动化研究所 北京 1001902.中国科学院大学 北京 1000493.东南大学 南京 2100964.北京市遥感信息研究所 北京 100192

摘要：遥感图像超分辨率技术对精确解析地物、支持城市规划与环境监测等下游应用具有至关重要的价值。近期基于扩散模型的方法在自然图像超分辨率任务中展现了卓越的性能，其强大的生成能力使其能够恢复精细的纹理。然而，当直接应用于遥感领域时，模型会面临由遥感影像特有的数据高低频信息分布不均衡所带来的挑战。影像中大面积、纹理单一的低频区域在训练中占据主导地位，导致模型对承载着关键信息的稀疏高频细节学习不足，最终的重建结果往往呈现全局平滑、细节模糊的特征。 因此，为解决这一问题，该文提出一种能够显著增强高频细节重建能力的遥感图像超分辨率扩散模型(DetDiffRS)。首先在数据输入端提出多尺度图块采样策略以应对低频区域在训练过程中占主导问题，该策略通过对多尺度图块进行加权采样，提升了富含高频信息图块的采样频率，从而引导模型更充分地学习这些关键细节。其次在优化端设计了一种复合感知损失函数，该损失函数在深度特征空间中约束高维感知损失，并且在傅里叶频域中对高频分量进行高频感知损失。这一设计从空间域和频率域两个维度增强了模型对高频细节的精确恢复能力。大量的实验结果表明，在AID, DOTA和DIOR等多个公开数据集上，DetDiffRS在客观量化指标(Fréchet Inception距离(FID)、峰值信噪比(PSNR)、结构相似性指数(SSIM))与视觉真实感方面均超越了现有的先进方法，尤其在细节恢复的清晰度上优势显著。

关键词：遥感图像超分辨率, 扩散概率模型, 高频细节恢复

基金资助：国家自然科学基金(62572471, 62341130)