Performance Evaluation of Super‐Resolution Techniques for Characterization and Phenotyping of Commodity Crops Using Multispectral Imagery

方法

用RGN多光谱图像，对比插值、GAN、Transformer、扩散等八种SISR

发现

Transformer类方法显著优于GAN和扩散方法，HAT、HiT-SR、SRFormer最优，且

机会点

可探索跨传感器、跨作物的免微调超分泛化性，并研究超分对表型定量任务下游精度的影响。

多光谱影像能够提供可见光范围之外的光谱信息用于植被监测，但其空间分辨率通常有限，可能模糊精细的作物结构并影响植被指数（vegetation index, VI）的估算。本研究评估了针对红、绿、蓝（RGB）影像开发的单图像超分辨率（single-image super-resolution, SISR）方法能否在保持光谱保真度的同时提升红、绿、近红外（RGN）作物影像的空间分辨率。八种预训练方法在未经微调的情况下直接应用于RGN影像：双三次插值和最近邻插值、Real-ESRGAN、HAT、HiT-SR、SRFormer、ResShift和StableSR。对整幅影像和人工分割的叶片区域分别评估了4倍和16倍重建效果。采用平均绝对误差（MAE）、峰值信噪比（PSNR）、结构相似性指数（SSIM）、光谱角制图以及无量纲全局相对合成误差评估重建质量。基于参考影像和超分辨率影像计算八种植被指数，并采用MAE、PSNR和SSIM进行评估。基于Transformer的方法在两种评估设置下均显著优于基于GAN和扩散模型的方法（p < 0.001），其中HAT、HiT-SR和SRFormer构成性能最高的统计层级。研究结果表明，基于RGB训练的单图像超分辨率方法能够增强RGN作物影像的空间细节，同时保持光谱一致性和植被指数可靠性，适用于高分辨率作物表型分析。