1. 简介
星载遥感成像系统在成像过程中受到了多方面降质因素的影响，使得最终获得的卫星影像存在空间分辨率降低的现象，在一定程度上限制了卫星影像数据的应用。本文基于深度学习的方法，将影像超分看作图像翻译问题，利用循环一致性生成对抗网络（CycleGAN, Cycle-Consistent Generative Adversarial Networks）实现零样本遥感影像超分辨率重建任务，旨在解决训练样本完全缺失问题。利用测试影像，通过放大原始图像，构建非配对高低分辨率图像，完成数据集构建。利用构建的数据集，对CycleGAN 网络进行训练，获得最终超分辨率模型。在遥感影像上进行实验，获得优于opencv 锐化处理的效果。
2. 方法原理
2.1 基于测试样本的非配对训练数据集的构造
为了定义出低分辨率和高分辨率影像，采用双三次插值方法，对待提高的影像进行放大处理。放大处理的影像定义为低分辨率域，放大之前的影像定义为高分辨率域。如图1所示：
左边为处理前宽高为w,h的图像，定义为高分（辨率）域。在处理前的图像中随机裁剪宽高为w/2,h/2的图像块，对裁剪的图像块采用双三次插值进行2倍放大，获得相应的放大影像，定义为低分（辨率）域。对于待超分的卫星影像按上述方法处理，可获得网络模型训练所需的3037对非配对图像对训练数据集。
2.2 引入梯度惩罚的CycleGAN 网络架构
CycleGAN是生成式对抗网络的一种，由两个生成网络和两个判别网络构成，并引入循环一致损失。CycleGAN在非配对自然影像翻译上，取得了良好的效果。以马与斑马影像的相互转化为例，CycleGAN的结构示意图如下所示：
为进一步提高网络训练的稳定性，保证判别网络的平滑性，我们对判别网络施加梯度惩罚。
3.实验分析
3.1 实验设置
生成网络与判别网络的相互博弈，决定了GAN体系训练的不稳定性。因此采用Adam优化器，初始学习率为0.001，训练200个轮次，获得最终的模型。
3.2 实验结果
实验结果取得优于opencv锐化处理的效果，结果对比如图3所示：
4.目前进展
对于以上获取的3037对图像，还是依赖于测试图片有一定的数据量，对于只有一张测试图的极端情况，此方法难以适用。因此目前正研究利用少量或仅一张的测试图，如何更好的实现零样本超分的问题。