基于优化的多时相Sentinel-2超分辨率重建
该项目提出了一种基于优化的方法，利用多时相Sentinel-2卫星图像实现超分辨率重建。通过整合同一地区不同时间点的多幅影像，算法能够生成比单幅图像更高空间分辨率的输出结果。该方法在保持光谱信息的同时显著提升细节表现，适用于遥感领域的精细地物识别与监测任务。
背景速读
- Sentinel-2 是欧洲航天局（ESA）部署的一组地球观测卫星，每5天拍摄一次全球多光谱影像，常用于农业、林业和灾害监测。但其空间分辨率最高仅10米/像素，且部分波段低至60米，限制了精细分析能力。
- 本项目（s2-superres）使用一种优化方法（而非深度学习），将同一区域在不同时间拍摄的多张 Sentinel-2 影像融合，生成一张更高分辨率的输出图像。核心假设是：多次观测能弥补单次影像的像素不足。
- 作者 Caleb Robinson 是 NASA/IBM 联合 AI 研究团队的科学家，曾参与多个遥感超分辨率项目，其公开源码和实验对卫星影像处理社区有参考价值。
- 传统超分辨率方法（如插值或单帧重建）只利用单张图像；多时序方法则利用卫星频繁过境的特点，以时间换取空间精度。该项目探索的是这一非神经网络路径的实用效果与局限性。