本文全面综述了遥感图像超分辨率（RSISR）技术，该技术旨在从低分辨率图像重建高分辨率图像，以突破传感器分辨率限制，满足土地覆盖制图、农业监测等领域对高质量图像的需求。综述首次提出了基于学习范式的分类框架，将RSISR方法细分为监督和无监督两大类，并进一步涵盖了传统方法和深度学习方法，包括CNN、GAN、Transformer、Diffusion和Mamba等架构。文章整合了主流遥感数据集和评估指标，并基于现状分析，提出了真实退化建模、基础模型与迁移学习、多模态超分、评估指标优化、Diffusion-Mamba混合架构、应用场景导向方法、计算效率提升、理论机理探索以及跨任务泛化等九大未来研究方向。旨在为研究者提供技术图谱，推动RSISR技术在精度、效率和实用性上实现突破，赋能更广泛的遥感应用。

💡 **技术方法分类与演进**：本综述创新性地提出了基于学习范式的分类框架，将遥感图像超分辨率（RSISR）方法划分为监督和无监督两大类，并进一步细分为传统方法和深度学习方法。深度学习方法涵盖了CNN、GAN、Transformer、Diffusion模型和Mamba等多种先进架构，系统梳理了近二十年来RSISR技术的发展脉络，填补了现有综述在时效性、分类框架和新兴架构覆盖方面的空白。

📊 **数据集与评估体系整合**：文章详细总结了主流的遥感数据集，如UCMD、WHU-RS19、AID、DOTA和SpaceNet等，并提供了下载链接，为模型训练和评估奠定基础。同时，系统梳理了PSNR、SSIM、LPIPS、NIQE和SAM等一系列定量评估指标，推动了模型性能的公平比较，但同时也强调了结合下游任务验证的重要性。

🚀 **九大未来研究方向展望**：基于对当前RSISR技术现状的深入分析，本综述提出了九个关键的未来研究方向，包括真实退化建模、基础模型与迁移学习、多模态超分、评估指标与基准优化、Diffusion-Mamba混合架构、应用场景导向方法、计算效率提升、理论机理探索以及跨任务泛化。这些方向旨在推动RSISR技术向更实用化、高效化和泛化能力更强的方向发展，以应对日益增长的遥感应用需求。

2025-11-03 14:54 江苏

论文题目：Advancing Image Super-resolution Techniques in Remote Sensing: A Comprehensive Survey

发表期刊: ISPRS Journal of Photogrammetry and Remote Sensing （IF = 12.2）

论文链接：

Arxiv版本: https://arxiv.org/abs/2505.23248

期刊版本: https://doi.org/10.1016/j.isprsjprs.2025.10.024

引言：遥感超分技术的研究背景与意义

遥感图像超分辨率（RSISR）是遥感图像处理的核心任务，旨在从低分辨率（LR）图像重建高分辨率（HR）图像，以突破传感器固有的空间分辨率限制。随着遥感在土地覆盖制图、农业监测、灾害评估和城市监控等领域的广泛应用，高质量HR图像需求日益迫切。RSISR技术通过增强图像细节和信息量，显著提升下游任务性能。如图1所示，RSISR能够从LR输入恢复丰富的纹理和结构信息，验证了其实际价值。

图1：几个超分辨率重建（RSISR）的示例。第一列显示的是低分辨率（LR）图像，而第五列显示的是使用 SRCNN 方法[32, 33]进行 4 倍超分辨率重建的结果。第二列和第三列分别展示了由第一和第二卷积层生成的特征图中响应最强通道的热图可视化。第四列显示的是高分辨率（HR）的真实图像。可以看出，超分辨率图像包含更丰富的细节和纹理信息。

近年来，RSISR研究论文数量呈现爆炸式增长（图2），从2014年的零星发表到2025年的数百篇，凸显了该领域的活跃度和重要性。本综述系统回顾了过去二十多年的RSISR方法，涵盖400余篇文献，填补了现有综述在时效性、分类框架和新兴架构覆盖方面的空白。

图2：2014 年以来关于 RSI 的 SR 算法的论文数量（根据 Web of Science 数据）。方法体系：遥感超分技术分类全景

本综述创新性地提出基于学习范式的分类框架，将RSISR方法划分为监督和无监督两大范畴，并进一步细分为传统方法和深度学习方法。图3展示了这一全面的分类体系，帮助读者清晰把握技术脉络。

图3：现有遥感超分技术概览

监督方法主要包括：

传统方法：如稀疏编码、邻域嵌入和回归方法，依赖手工特征和先验知识，但计算复杂且细节恢复能力有限。例如，基于稀疏编码方法使用过完备字典进行重建，但效率较低；基于邻域嵌入方法利用局部几何结构，但可能丢失全局信息。

深度学习方法：利用CNN、GAN、Transformer、扩散模型和Mamba等架构，实现端到端的高质量重建。代表性工作包括：

CNN-based方法：如SRCNN首次将CNN引入超分，DRSEN集成注意力机制优化细节。

GAN-based方法：如SRGAN生成逼真纹理，但可能引入 artifacts。

Transformer-based方法：如SwinIR捕获长程依赖，提升全局一致性。

Diffusion-based方法：通过迭代去噪实现高保真重建，但计算成本高。

Mamba-based方法：以线性复杂度实现高效建模，适合大规模数据。

无监督方法涵盖：

传统方法：如插值、POCS、IBP和概率模型，无需配对数据，但性能受限。例如，POCS-based方法通过凸集投影迭代优化，但收敛慢。

深度学习方法：包括自监督学习、对比学习、生成式方法和零样本学习，适应真实场景中HR数据缺失的挑战。例如，自监督方法利用内部图像统计，而对比学习通过特征对比增强鲁棒性。

资源支撑：数据集与评估指标整合

本综述详细总结了主流遥感数据集（表3），并在论文中提供了下载链接，覆盖多模态和多种分辨率数据，为模型训练和评估提供基础。关键数据集包括：

UCMD：用于土地用途研究，包含21类图像，分辨率0.3米。

WHU-RS19：Google Earth导出图像，分辨率0.5米。

AID：大规模航空图像数据集，30类场景。

DOTA：用于对象检测，高分辨率图像。

SpaceNet：VHR WorldView-3卫星图像。

同时，系统梳理了定量评估指标，包括：

PSNR和SSIM：衡量像素级保真度和结构相似性。

LPIPS：基于深度学习的感知相似性指标。

NIQE：无参考图像质量评估。

SAM：用于光谱保真度评估。

这些指标推动公平性能比较，但需结合下游任务验证。

挑战与未来可能的九大研究方向

基于技术现状分析，本综述提出九大未来方向，以推动RSISR向更实用化发展：

真实退化建模：突破仿真退化局限，融合物理先验（如PSF、MTF）和大气效应，提升现实适用性。

基础模型与迁移学习：开发遥感域预训练模型（如基于Transformer或Mamba的架构），实现低数据场景下的高效适配。

多模态超分：融合光学、SAR、高光谱和LiDAR数据，利用互补信息提升重建质量。例如，结合SAR的全天候成像和光学图像的 spectral 细节。

评估指标与基准优化：设计任务驱动指标（如基于目标检测准确率）和真实基准，解决PSNR/SSIM与感知质量脱节问题。

Diffusion-Mamba混合架构：结合扩散模型的高保真和Mamba的高效性，平衡质量与计算成本，适用于边缘部署。

应用场景导向方法：针对农业、城市、灾害等场景定制化优化，强调光谱保真或结构完整性。例如，农业监测需保留作物光谱特征。

计算效率提升：轻量级设计（如模型压缩、知识蒸馏）和自适应计算，满足实时处理需求。

理论机理探索：深化超分 ill-posed 问题的理论分析，包括收敛性和泛化性研究。

跨任务泛化：构建统一框架支持超分、去噪、修复等联合任务，提升整体图像质量。

结语：推动遥感超分技术迈向新阶段

本综述系统总结了RSISR技术的演进历程、方法体系与未来趋势，为研究者提供了全面技术图谱。随着深度学习架构不断创新和遥感数据规模扩大，超分技术有望在精度、效率和实用性上实现突破，赋能更广泛的遥感应用。我们呼吁社区关注真实数据挑战和多模态融合，共同推动遥感智能解译发展。

上述内容为论文的简要总结，更多信息请参考原文：

Arxiv版本: https://arxiv.org/abs/2505.23248

期刊版本: https://doi.org/10.1016/j.isprsjprs.2025.10.024