通过元权重学习实现跨域连续倍数遥感图像超分辨率

来自太空的更清晰视图

卫星图像支撑着从城市规划到灾害响应的方方面面，但由于相机硬件和数据传输的限制，许多照片比我们希望的要模糊。本文提出了一种新方法，能够在任意指定的缩放倍率下将模糊的卫星照片变得更清晰，采用一种可以适应航拍影像特征的学习策略，无需为每种情况重新训练模型。

更清晰的卫星图像为何重要

高分辨率的遥感图像对于识别微小目标、跟踪地面变化和细致划分土地利用至关重要。然而现实中的卫星在分辨率、成本、传感器尺寸和带宽之间必须权衡，因此许多图像到达时质量低于分析人员的期望。传统的“超分辨率”技术可以锐化图像，但通常针对固定的放大倍数进行训练，例如恰好放大两倍或四倍。这意味着每个缩放级别需要独立的模型，在面对大量卫星和多样化任务时既低效又缺乏灵活性。

超越一刀切的缩放

近期研究发展出“连续倍数”超分辨率，把图像视为平滑信号，能够用单一模型在任意缩放因子下生成清晰输出。这些方法大多在日常照片上构建和测试，而非卫星数据。它们通常用固定的几何规则来决定如何混合临近像素信息——本质上按距离对邻域加权。对于人脸或自然风景等场景这类做法较为有效，但卫星图像包含密集建筑、重复纹理和突兀边界，这些并不遵循相同的模式。当在卫星视图上应用在自然照片上训练的模型时，这些假设就会失效，屋顶、道路和车辆等细节无法被可靠还原。

一个能自适应规则的学习系统

作者提出了一个名为 MLIN（基于元学习的隐式神经网络）的框架来解决跨域问题。与其手工设计如何组合邻域像素特征，MLIN从数据中学习这些组合规则。它保留了一个在自然照片上预训练的强大图像编码器并将其冻结，这样可以在不会被较小的卫星数据集扭曲的情况下仍然提取丰富的视觉模式。在此基础上，MLIN增加了一个新的“隐式解码器”，配备了元学习模块。对于模型想要重建的高分辨率图像中的每个点，该模块会查看周围特征及其精确位置，然后预测一组软权重，指示解码器应多大程度地利用每个邻居。换言之，系统不再假设只有距离重要；它允许局部内容——例如屋顶、田地或水面的纹理——来塑造重建过程。

从模糊块到清晰结构

在技术上，该方法通过在输出图像的每个目标位置周围采样一个小的2×2隐特征邻域来工作。一个元网络结合这些特征的信息、它们的相对坐标以及所需的缩放因子来选择权重，这些权重之和为一。解码器使用这些权重来混合来自每个邻居的预测，从而在该位置生成最终的颜色值。由于这种加权是学习得到的，MLIN可以对复杂区域——如密集居民区、停泊轮船的港口或带跑道的机场——与沙漠或海洋等平滑区域采取截然不同的处理。对两个广泛使用的卫星数据集（WHU‑RS19 和 UCMerced）的实验表明，MLIN在常见缩放级别以及高达十倍的极端放大下，相比若干领先的连续缩放方法，始终能提供更高的数值质量评分和更清晰的细节可视效果。

更快的训练且无额外延迟

该设计的一个实用优势在于只需在卫星图像上训练新的解码器和元权重网络，而大型编码器保持固定。与从头重新训练所有参数的方法相比，这大大减少了训练时间。尽管元网络会引入额外计算，但现代图形处理器能够高效处理这些操作，因此处理单张图像的时间与现有方法相比几乎保持不变。消融研究——通过去除或简化系统部分进行的严格测试——证实了基于内容的加权是提高边缘清晰度和纹理连续性的关键成分。

更清晰的地球观测

简而言之，这项工作展示了如何重用在日常照片上训练的强大图像模型，并智能地将它们适配到截然不同的卫星影像领域。通过让系统学习如何根据场景中实际内容平衡来自邻近像素的信息，MLIN 能以单一模型在任意缩放级别下生成更清晰、更可靠的卫星图像。这意味着为依赖高清地球视图的科学家、规划人员和应急响应者提供更好的工具，同时保持计算和存储需求在可控范围内。

引用: Zhang, Q., Ma, S., Tang, Y. et al. Cross-domain continuous-scale remote sensing image super-resolution via meta-weight learning. Sci Rep 16, 6073 (2026). https://doi.org/10.1038/s41598-026-36632-w

关键词: 卫星超分辨率, 遥感影像, 元学习, 任意倍数缩放, 图像增强