046、超分在卫星遥感：地物细节重建与多光谱超分技术
去年接了个卫星遥感超分的项目，甲方给的数据是WorldView-3的16波段多光谱影像，要求把全色波段（Pan）的0.3米分辨率“迁移”到多光谱波段上，同时保留8个短波红外通道的物理意义。第一次跑完模型，结果惨不忍睹——植被区域出现了伪纹理，水体边缘像被狗啃过，最要命的是多光谱波段之间的光谱相关性全乱了，原本NDVI指数算出来是0.7的地方，超分后变成了0.3。甲方技术负责人直接甩了句：“你们这模型把卫星数据当照片修了？”
这个坑踩得值。卫星遥感超分和手机拍照超分完全是两码事，核心矛盾在于：遥感影像的每个像素都有物理辐射值，超分不能只追求视觉好看，必须保证地物光谱特征不变形。
一、卫星超分的特殊约束：别把辐射值当RGB
普通超分模型处理的是8位RGB图像，像素值0-255，损失函数用L1或L2，视觉上差不多就行。但卫星多光谱影像通常是16位甚至32位浮点，每个波段代表特定波长的地物反射率。比如近红外波段（NIR）的数值直接关联植被健康度，你把它超分后数值偏移了5%，NDVI计算就会出问题。
我踩过的第一个坑是直接用EDSR训练多光谱数据。EDSR的残差块设计对自然图像很友好，但卫星影像的纹理特征和自然图像完全不同——自然图像有大量平滑渐变区域，卫星影像则是高频细节（建筑物边缘、道路）和低频背景（水体、裸地）的极端混合。EDSR在平滑区域容易产生振铃效应，导致水体表面出现虚假纹理，这在遥感解译里是致命错误。
后来换成了RCAN（Residual Channel Attention Networks），通道注意力机制确实能更好地捕捉多光谱波段间的相关性。但RCAN的原始设计是针对RGB的，直接套用16波段会出问题：通道注意力权重会偏向能量较高的波段（比如近红外），导致低能量波段（比如海岸蓝波段）被压制。解决办法是在通道注意力模块前加一层可学习的波段归一化，让每个波段的特征分布对齐到零均值单位方差。代码里这样写：
# 波段归一化层，踩过坑才加的classBandNorm(nn.Module):def__init__(self,n_bands):super().__init__()# 别用nn.BatchNorm，它会破坏波段间的独立性self.weight=nn.Parameter(torch.ones(1,n_bands,1,1))self.bias=nn.Parameter(torch.zeros(1,n_bands,1,1))defforward(self,x):# 每个波段独立归一化，保留物理意义mean=x.mean(dim=[2,3],keepdim=True)std=x.std(dim=[2,3],keepdim=True)+1e-8return(x-mean)/std*self.weight+self.bias二、多光谱超分的核心：光谱一致性损失
视觉超分用PSNR和SSIM就够了，但遥感超分必须加光谱约束。我试过在损失函数里加光谱角（SAM）损失，效果不错但训练不稳定。后来发现更实用的方法是：在生成器输出后接一个“光谱投影层”，把超分结果投影到原始多光谱的低分辨率空间，再计算投影误差。
这个思路来自一个失败的尝试——我最初想用GAN生成高分辨率多光谱，结果判别器学会了区分“真实高分辨率”和“生成高分辨率”，但生成器为了骗过判别器，开始编造光谱特征。比如某块农田的真实NDVI是0.6，生成器为了纹理逼真，把NDVI改成了0.8，判别器居然没发现，因为纹理确实像农田。
解决方案是引入“物理一致性损失”：用超分后的高分辨率多光谱影像，降采样回低分辨率，和原始低分辨率影像计算L1损失。这个降采样过程必须模拟卫星传感器的调制传递函数（MTF），不能简单用双线性插值。MTF参数可以从卫星的元数据文件里读，或者用刃边法从影像本身估计。
# 模拟卫星传感器的降采样，别用torch.nn.functional.interpolatedefmtf_downsample(hr,mtf_params):# mtf_params: [sigma_x, sigma_y, scale_factor]# 先用高斯模糊模拟MTF，再降采样kernel_size=int(2*mtf_params[0]*3+1)ifkernel_size%2==0:kernel_size+=1# 必须奇数，别问我怎么知道的gaussian=get_gaussian_kernel(kernel_size,mtf_params[0])blurred=F.conv2d(hr,gaussian,padding=kernel_size//2)# 降采样用像素融合，不是插值returnF.avg_pool2d(blurred,mtf_params[2])三、地物细节重建：边缘保持与纹理迁移
卫星影像的细节重建有个特殊问题：建筑物边缘在低分辨率下是亚像素级的，直接超分容易产生锯齿。我试过边缘增强损失（如梯度损失），但梯度损失对噪声敏感，卫星影像的传感器噪声虽然低，但经过超分网络会被放大。
一个实用的技巧是“边缘先验引导”：用Canny边缘检测器从全色波段提取边缘图，作为辅助输入送入超分网络。全色波段分辨率高，边缘信息丰富，多光谱波段虽然分辨率低但光谱信息全，两者互补。网络结构上，我用了双流设计：一个流处理全色波段提取空间特征，另一个流处理多光谱波段提取光谱特征，中间用交叉注意力融合。
# 双流融合模块，注意不要直接concatclassCrossAttentionFusion(nn.Module):def__init__(self,pan_dim,ms_dim,hidden_dim):super().__init__()# 全色作为query，多光谱作为key和valueself.query_proj=nn.Conv2d(pan_dim,hidden_dim,1)self.key_proj=nn.Conv2d(ms_dim,hidden_dim,1)self.value_proj=nn.Conv2d(ms_dim,hidden_dim,1)defforward(self,pan_feat,ms_feat):# 这里踩过坑：注意力图要加softmax温度系数，否则梯度消失Q=self.query_proj(pan_feat)K=self.key_proj(ms_feat)V=self.value_proj(ms_feat)attn=torch.matmul(Q.flatten(2).transpose(1,2),K.flatten(2))/(Q.size(1)**0.5)attn=F.softmax(attn,dim=-1)out=torch.matmul(attn,V.flatten(2).transpose(1,2))returnout.transpose(1,2).view_as(pan_feat)四、实战中的那些坑
数据预处理：卫星影像的DN值到反射率的转换必须做对。我见过有人直接用DN值训练，结果模型学会了“DN值越大越亮”这种伪规律，换一颗卫星的数据就崩了。正确的做法是：先做辐射定标，再做大气校正，得到地表反射率，然后归一化到[-1,1]或[0,1]。归一化参数要记录，推理时反归一化回去。
训练策略：多光谱超分不能直接用全色波段作为GT。全色波段是宽波段，多光谱是窄波段，两者物理含义不同。正确的做法是：用全色波段作为空间引导，用原始低分辨率多光谱作为光谱约束，目标高分辨率多光谱需要从更高分辨率的传感器（如WorldView-3的0.3米全色）通过光谱响应函数模拟得到。这个模拟过程叫“光谱降质”，需要卫星的光谱响应曲线。
评估指标：别只看PSNR和SSIM。遥感领域更看重：SAM（光谱角，衡量光谱保真度）、ERGAS（相对全局综合误差）、UIQI（通用图像质量指数）。我见过一篇论文PSNR做到38dB，但SAM高达10度，这种超分结果在遥感解译里基本不能用。
推理速度：卫星影像通常很大（几万乘几万像素），不能整图送入网络。用滑动窗口推理时，窗口重叠要至少1/4，否则拼接处会有明显接缝。更高效的做法是用Laplacian金字塔分解，先超分低频部分，再逐层添加高频细节。
五、个人经验性建议
如果你刚开始做遥感超分，别一上来就上Transformer。先把RCAN或EDSR调好，加光谱一致性损失，跑通全流程。Transformer在遥感上的优势主要体现在长距离依赖建模，但卫星影像的纹理通常是局部重复的（比如农田、建筑群），CNN的局部感受野反而更高效。
数据增强方面，别用随机裁剪和翻转就完事。卫星影像有地理坐标，旋转会破坏方向性特征（比如道路走向、建筑物朝向）。建议只做水平翻转和90度旋转，避免任意角度旋转。色彩增强更不能用，会破坏光谱物理意义。
最后，多光谱超分的结果一定要做“光谱验证”。找个已知地物（比如水体、植被、裸土），计算超分前后的光谱曲线，看形状是否一致。如果光谱曲线出现“毛刺”或“偏移”，说明模型在编造光谱信息，需要调整损失函数权重或网络结构。
这个领域还在快速发展，但核心问题始终是：如何在提升空间分辨率的同时，不丢失光谱信息的物理真实性。别被论文里的SOTA数字迷惑，落地时甲方只关心一件事——你的超分结果能不能直接用于地物分类或变化检测。
