南京林业大学赵茂程教授等:基于改进GAN的银杏叶用林遥感图像超分辨重建模型

为解决无人机低空遥感多光谱成像中飞行作业效率与图像分辨率难以兼顾、进而影响作物生长情势监测精度的问题，该研究设计了一种图像超分辨重建模型-残差变换生成对抗网络（residual transformer generative adversarial network, RTGAN）。构建银杏叶用林冠层多光谱真实高 / 低分辨率图像数据集，引入多重密集残差块（multiple dense residual block, MDRB)，融合U-Net和Transformer模块优化网络结构，在银杏叶用林样地验证 RTGAN 模型性能。

结果显示，利用 RTGAN重建银杏林低分辨率遥感图像后，银杏冠层纹理清晰，超分辨率后图像的峰值信噪比（peak signal-to-noise ratio，PSNR）、结构相似度（structural similarity index measure，SSIM）分别平均提升了67.22%、74.54%；感知相似度指标(learned perceptual image patch similarity, LPIPS)、Fréchet inception距离(Fréchet inception distance, FID)分别平均缩小了84.42%和90.50%；银杏叶产量估测相关系数r平均提升33.35%，接近较低飞行高度采集的高分辨率图像估测精度(r=0.83)。

该研究提出的RTGAN超分技术可提升银杏叶产量估测精度、无人机作业效率及遥感图像抗干扰能力，为银杏林智慧种植提供技术支撑。