Как ИИ помогает «приближать» Землю со спутника

В издательстве Springer вышла глава Survey of Super-Resolution Techniques in Satellite Remote Sensing Observations https://link.springer.com/chapter/10.1007/978-3-032-18566-2_2 в книге Algorithms for Machine Vision in Navigation and Control.

Среди авторов от Центра ИИ Сколтеха — Светлана Илларионова, руководитель исследовательской группы; инженер-исследователь Иван Рубин, а также Евгений Бурнаев, профессор, вице-президент Сколтеха по развитию искусственного интеллекта и директор Центра ИИ. Вместе с международным коллективом соавторов они систематизировали современные методы повышения разрешения спутниковых изображений — от классических нейросетевых подходов до генеративно-состязательных и диффузионных моделей.

Зачем спутниковым снимкам повышение разрешения? Чем выше детализация изображения, тем лучше на нём различимы небольшие объекты и границы между ними. Это важно для экологического мониторинга, оценки последствий стихийных бедствий, наблюдения за инфраструктурой и других задач дистанционного зондирования Земли.

При этом просто перенести методы, которые хорошо работают с обычными фотографиями, на спутниковые данные нельзя. Спутники снимают не только в видимом диапазоне, но и в нескольких спектральных каналах, причём разные каналы могут иметь разное пространственное разрешение. Поэтому задача состоит не просто в том, чтобы сделать картинку визуально более чёткой, а в том, чтобы сохранить физически значимую информацию.

Авторы рассматривают основные классы методов сверхразрешения и показывают, как направление развивалось от свёрточных нейросетей до GAN и диффузионных моделей. Последние способны восстанавливать более детализированные изображения, но вместе с этим возникает принципиальная проблема: модель может не только реконструировать недостающую информацию, но и создавать правдоподобные детали, которых на местности в действительности нет.

Для обычной фотографии такой эффект может быть допустим, но в дистанционном зондировании ошибка может повлиять на последующий анализ — например, на обнаружение зданий, оценку состояния растительности или последствий наводнений.

Поэтому отдельное внимание в главе уделено оценке качества сверхразрешения. Высокие значения стандартных метрик ещё не гарантируют, что восстановленное изображение корректно передаёт реальные объекты и структуру местности. Исследователи рассматривают различные способы оценки и подчёркивают, что важно проверять не только визуальную чёткость снимка, но и то, насколько улучшенное изображение помогает решать конкретную прикладную задачу.

Авторы также систематизируют существующие наборы данных и области применения повышения разрешения — от анализа растительности и лесов до обнаружения зданий, мониторинга инфраструктуры и оценки последствий природных катастроф.

Один из ключевых выводов обзора: чем мощнее становятся генеративные модели, тем важнее контролировать достоверность восстановленных деталей. Для спутниковых данных качество изображения должно означать не только «выглядит лучше», но и «сохраняет информацию, на основе которой можно принимать решения».

Телеграм: t.me/ainewsline

Источник: link.springer.com

Комментарии: