高分辨率遥感影像包含丰富的纹理信息和高频细节，在环境监测、城市规划、农业管理等领域具有广泛的适用性和应用前景。然而，在遥感成像过程中，由于大气模糊、光学畸变和衍射、传感器欠采样引发的混叠现象等因素的限制，往往会导致影像质量的降低，进而削弱了其分辨能力。影像超分辨率是提高遥感影像空间分辨率和细节信息的有效途径。传统的超分辨率方法可分为单帧超分辨率和多帧超分辨率。单帧超分辨率方法使用的信息仅限于低分辨率影像的空间域，由于缺乏遥感影像时间帧间的互补信息，基于深度学习的单帧超分辨率算法的性能受到限制。多帧超分辨率方法通过融合相应低分辨率影像的时间亚像素信息来实现遥感影像的超分辨率，与高度依赖训练样本的深度学习方法不同，基于变分模型的方法侧重于设计先验知识作为重构约束，在不使用任何训练样本的情况下对超分辨影像进行正则化。由于理论严谨，基于变分模型的方法往往比传统方法更精确，并且具有降噪能力强、方便空间先验约束整合等优点。然而，由于遥感影像背景复杂度高、目标尺度变化大，传统的多帧超分辨率方法虽然能在一定程度上提高影像分辨率，但在高频边缘细节恢复和噪声伪影抑制方面仍存在不足。为此，本文提出了一种梯度引导的多帧超分辨率方法，采用基于局部梯度正则化和非局部总变分先验的嵌入式学习变分模型。通过利用学习到的局部梯度先验和建模的非局部总变分先验，将两个互补的先验信息结合到自适应范数重构框架中，融合了基于学习和基于模型超分辨率方法的互补特性。

图1. 梯度引导多帧超分辨率算法

查看详细>> J. Sun, H. Shen, Q. Yuan and L. Zhang, “Super-Resolution for Remote Sensing Imagery via the Coupling of a Variational Model and Deep Learning,” in IEEE Transactions on Geoscience and Remote Sensing, vol. 63, pp. 1-19, 2025, Art no. 5611119, doi: 10.1109/TGRS.2025.3532645.