摘要
近期的研究表明，深度神经网络在超分辨率遥感图像处理方面表现出极高的效率，可以从多时相的低分辨率图像集合中生成高分辨率图像。然而，现有的模型忽视了时间排列问题，即输入图像的时间顺序对于超分辨率任务没有相关的信息价值，这导致模型在训练过程中对有限的真实数据利用效率低下。因此，模型不应学习依赖于时间顺序的特征提取器。本文展示了如何构建一个完全不受时间排列影响的模型，该方法显著提高了性能和数据利用效率。此外，我们研究了如何量化超分辨图像的不确定性，以便最终用户了解产品的局部质量。我们展示了不确定性与序列中的时间变化之间的相关性，并证明量化不确定性可以进一步提升模型性能。在Proba-V挑战数据集上的实验结果表明，我们的方法在无需自集成的情况下显著优于现有技术，并且数据利用效率更高，在仅使用25%的训练数据量的情况下达到了挑战赛优胜者的性能水平。