174、超分在遥感图像中的应用：卫星影像的细节增强与地物识别优化去年夏天，我接手了一个卫星遥感项目，甲方要求从0.5米分辨率的卫星影像里识别出城市违章建筑。跑了一周的数据，模型召回率死活卡在67%。我盯着屏幕上的影像——建筑物边缘糊成一团，像被水泡过的报纸，别说识别违章，连屋顶是平顶还是尖顶都分不清。当时团队里有人提议“要不换个更大的模型”，我直接否了。问题不在模型容量，在输入数据的细节量。卫星影像的分辨率，就是超分辨率重建的天然战场。遥感超分的特殊性：别拿自然图像那套硬套很多人把遥感超分当成普通超分来做，上来就搬EDSR、RCAN，结果效果惨不忍睹。遥感影像和自然图像有本质区别：自然图像里纹理丰富、色彩渐变，而遥感影像里大量存在的是规则几何结构（道路、建筑、农田边界）和周期性纹理（屋顶瓦片、林区树冠）。普通超分模型擅长恢复“看起来像”的纹理，但遥感场景需要的是“几何上准确”的细节。我踩过的第一个坑：用DIV2K数据集预训练的模型直接finetune遥感数据。训练时PSNR涨得不错，但实际推理时，建筑物边缘出现了严重的锯齿和伪影，道路的直线变成了波浪线。后来我意识到，遥感影像的退化模型和自然图像不一样——卫星影像的模糊更多来自大气湍流、光学系统衍射和传感器采样，而不是简单的双三次下采样。别这样写：直接用双三次插值生成LR-HR对来训练。正确做法：用真实遥感影像的退化模型，或者至少用带高斯-泊松混合噪声的降质过