144、超分在遥感图像中的应用：卫星图像增强与细节恢复去年接了一个遥感图像增强的项目，甲方给的数据是高分二号卫星的0.8米分辨率全色影像和3.2米分辨率多光谱影像。按常规流程做融合，结果跑出来的图像边缘全是锯齿，地物边界糊成一团。当时盯着屏幕看了半小时，脑子里只有一个念头：传统插值方法在遥感数据上根本扛不住。后来把超分模型搬上去，效果才勉强能看。今天把这段调试经历和踩过的坑整理出来，给做遥感图像处理的同行参考。遥感图像超分的特殊性普通自然图像超分，你关心的是人脸纹理、建筑细节这些视觉上"好看"的东西。遥感图像完全不同——卫星拍下来的数据，一个像素可能代表地面0.5米到几米的真实物理尺寸。超分做不好，地物分类精度直接掉5个点，甲方会拿着精度报告来找你喝茶。遥感图像超分有几个天然难点：混叠效应严重。卫星成像时，光学系统的MTF（调制传递函数）会导致高频信息丢失，图像天然就模糊。你拿这样的图像做超分，模型学到的其实是"如何把模糊变得更清晰"，而不是"如何恢复真实的地物细节"。我踩过这个坑——用DIV2K数据集预训练的模型直接迁移到遥感数据上，PSNR看着还行，但实际地物边缘全是伪影。多光谱与全色的协同问题。遥感数据通常有全色波段（高分辨率，0.5-1米）和多光谱波段（低分辨率，2-4米，含红绿蓝近红外）。传统做法是Pansharpening（全色锐化），但这种方法本质上是空间信息注入，不是真正的超分。我试过用超分网络同时处理全色和多光谱，发现两个模态的尺度差异