تشهد الطلبات المتزايدة على الصور الفضائية عالية الدقة اهتمامًا متزايدًا في تقنيات تحسين دقة الصور (Super-Resolution - SR) بهدف تقليل الفجوة الحاصلة بين الأنظمة المتاحة مجانًا كـ Sentinel-2 وأنظمة التصوير التجارية مثل PlanetScope. إلا أن النماذج الحالية تواجه تحديات كبيرة بسبب عدم توفر زوج من بيانات الصور المنخفضة والعالية الدقة الحقيقية، حيث يتم تدريبها عادةً على بيانات مقلّلة بشكل اصطناعي، مما يؤدي إلى فجوة في النطاق عند التعامل مع الصور الناتجة من أجهزة استشعار مختلفة.

هذه الدراسة هي الأولى من نوعها التي تحلل بشكل منهجي كيفية تأثير هذا التداخل بين النماذج المولّدة بشكل اصطناعي والبيانات الحقيقية على أداء نماذج التحسين المعتمدة على تقنيات الانتشار. تم استخدام مجموعة بيانات كبيرة ومنظمة هندسيًا وزمنيًا تشمل صور Sentinel-2 وPlanetScope لتقييم خمسة نماذج متقدمة مبنية على الانتشار تحت ظروف تجريبية مُتحكم فيها.

بالإضافة إلى ذلك، تم تقديم مقياس جديد يعتمد على الميزات الذاتية المدعومة من Sentinel-2 يسمى LPIPS-Sat، والذي يعدّل من قياس إدراك الفجوة بين النطاقات.

تشير النتائج إلى وجود تحديين متكررين: النماذج المدربة اصطناعيًا تنخفض أداؤها بشكل حاد عند التعامل مع أزواج البيانات الحقيقية، بينما تواجه النماذج المدربة على البيانات الحقيقية من أجهزة استشعار مختلفة صعوبات في التكيف مع التنوع الفيزيائي والإشعاعي. وأكدت هذه النتائج على وجود قيود رئيسية في النماذج الحالية، مما يستدعي تطوير طرق جديدة تفصل بين تحسين الدقة وتكييف النطاق.

ما رأيكم في هذه التحديات التي تواجه نماذج تحسين دقة الصور؟ شاركونا بأفكاركم وتجاربكم في التعليقات.