Real-GDSR: Real-World Guided DSM Super-Resolution via Edge-Enhancing Residual Network

本文讨论了低分辨率数字地表模型（DSM）的特点，受噪声、传感器限制和数据采集条件的影响，这些特点无法使用简单的插值方法（如双三次插值）复制。这导致在合成数据上训练的超分辨率模型在真实数据上表现不佳。由于缺乏信息，使用真实低分辨率和高分辨率DSM对模型进行训练也是一个挑战。另一方面，同一场景的其他成像模式的存在可以用于丰富大规模超分辨率所需的信息。在本文中，我们介绍了一种新的方法来解决现实世界DSM超分辨率的复杂性，命名为REAL-GDSR，将这个不适定问题分解为两个步骤。第一步涉及利用残差局部细化网络。这种策略性的方法不同于传统方法，传统方法训练直接预测高度值而不是差异（残差），并利用其网络中的大感受野。第二步引入了一种基于扩散的技术，该技术增强了全局尺度上的结果，重点是平滑和边缘保护。我们的实验强调了所提出方法的有效性。我们进行了全面评估，将其与最新领域内的真实世界DSM超分辨率（SR）的技术进行比较。我们的方法始终优于这些现有方法，这在定性和定量评估中得到了证明。

本论文旨在解决真实世界数字地面模型超分辨率问题，即如何从低分辨率的数字地面模型中恢复高分辨率的模型。此问题由于噪声、传感器限制和数据采集条件等因素的影响而变得复杂，而简单插值方法无法有效地解决此问题。

该论文提出了一种名为REAL-GDSR的新方法，将这个复杂的问题分解为两个步骤。第一步是使用残差局部细化网络，该方法不同于传统方法，它训练的是直接预测高度值而不是预测高度值之间的差异，并利用其网络中的大感受野。第二步是引入一种基于扩散的技术，该技术可以在全局范围内增强结果，主要关注平滑和边缘保护。

该论文的亮点包括：通过实验验证了所提出方法的有效性，并与最近的超分辨率技术进行了比较；论文中使用了来自真实世界的数据进行实验，并提供了开源代码；该方法可以应用于其他领域的图像超分辨率问题，并且可以进一步改进。

最近的相关研究包括：Real-world Super-Resolution via Kernel Estimation and Noise Injection（通过核估计和噪声注入实现真实世界超分辨率）；Real-World Single Image Super-Resolution: A Benchmark（真实世界单图像超分辨率：基准）；Real-world Image Super-resolution with Spatio-temporal Networks and Motion Compensation（具有时空网络和运动补偿的真实世界图像超分辨率）。