Real-RefRSSRD

Real-RefRSSRD是一个针对遥感图像参考式超分辨率的数据集，包含了高分辨率（NAIP）和低分辨率（Sentinel-2）卫星图像对，这些图像对来自不同的地理区域、时间跨度（6-14年）和土地覆盖类型。该数据集反映了跨传感器差异和显著的陆地覆盖变化等现实世界挑战，为参考式超分辨率模型提供了一个严格的基准。

Real-RefRSSRD is a dataset dedicated to reference-based super-resolution of remote sensing images. It includes paired high-resolution (NAIP) and low-resolution (Sentinel-2) satellite image pairs sourced from distinct geographic regions, with temporal spans ranging from 6 to 14 years and covering a wide range of land cover types. This dataset captures real-world challenges including cross-sensor discrepancies and substantial land cover changes, providing a rigorous benchmark for reference-based super-resolution models.

原始信息汇总

数据集概述

基本信息

• 数据集名称: Real-RefRSSRD
• 研究领域: 遥感图像超分辨率
• 相关论文: Controllable Reference-Based Real-World Remote Sensing Image Super-Resolution with Generative Diffusion Priors
• 作者: Ce Wang, Wanjie Sun
• 机构: 武汉大学遥感信息工程学院

数据集内容

• 数据类型: 遥感图像（低分辨率与高分辨率配对）
• 数据用途: 用于基于参考的真实世界遥感图像超分辨率研究
• 数据特点: 包含地理坐标采样点信息

获取方式

• 下载地址: Real-RefRSSRD on OpenXLab
• 预处理脚本: dataset/prepare_lr.py（用于将低分辨率图像放大以匹配高分辨率图像尺寸）

相关资源

• 预训练模型: 百度网盘下载
• 代码库: CRefDiff GitHub

引用格式

bibtex @misc{wang2025controllablereferencebasedrealworldremote, title={Controllable Reference-Based Real-World Remote Sensing Image Super-Resolution with Generative Diffusion Priors}, author={Ce Wang and Wanjie Sun}, year={2025}, eprint={2506.23801}, archivePrefix={arXiv}, primaryClass={cs.CV}, url={https://arxiv.org/abs/2506.23801}, }

AI搜集汇总

数据集介绍

构建方式

Real-RefRSSRD数据集的构建过程体现了对真实世界遥感图像超分辨率任务的严谨考量。研究者通过精心筛选NAIP（1米分辨率）和Sentinel-2（10米分辨率）卫星图像对，确保每对图像间存在显著的时间间隔（6-14年）和地物覆盖变化。采用空间独立分区策略划分训练/验证/测试集，有效防止数据泄漏。数据采集覆盖美国多地域场景，重点增加城市区域的样本密度以增强复杂场景的建模能力。

特点

该数据集的核心价值在于其真实世界的复杂性表征：1) 跨传感器分辨率差异（10倍下采样）模拟实际硬件限制；2) 长时间跨度带来的自然地物变迁；3) 包含居民区、工业区等七大类场景的多样性。特别设计了基于LPIPS指标的测试子集划分（L1-L4），系统评估模型在不同参考相似度下的鲁棒性。原始数据保留多光谱信息，为后续研究提供丰富的光谱-空间联合优化空间。

使用方法

数据集支持端到端的参考式超分辨率训练，输入包含当前低分辨率Sentinel-2图像和历史高分辨率NAIP参考图像。建议预处理时采用论文提出的风格扰动增强策略，通过随机调整亮度、对比度等参数提升模型泛化性。评估阶段推荐结合像素级（PSNR/SSIM）和感知级（LPIPS/FID）指标，并可通过下游场景分类和语义分割任务验证实用性。数据加载需注意保持HR-LR-Ref三者的严格空间对齐，建议使用双三次插值统一缩放至相同尺寸。

背景与挑战

背景概述

Real-RefRSSRD是由武汉大学遥感信息工程学院的Ce Wang和Wanjie Sun等人于2025年提出的一个真实世界遥感图像超分辨率数据集。该数据集旨在解决遥感图像超分辨率任务中的关键问题，即如何利用历史高分辨率（HR）图像作为参考，结合当前低分辨率（LR）观测数据，重建当前的高分辨率图像。数据集包含来自NAIP（地面采样距离1米）和Sentinel-2（地面采样距离10米）的HR-LR图像对，覆盖了多样化的土地覆盖变化和显著的时间间隔。Real-RefRSSRD的提出填补了真实世界参考超分辨率（RefSR）数据集的空白，为遥感图像超分辨率研究提供了重要的基准。

当前挑战

Real-RefRSSRD数据集面临的挑战主要包括两个方面：1) 领域问题的挑战：遥感图像超分辨率任务需要处理跨传感器分辨率差异和显著的土地覆盖变化，现有方法容易产生欠生成或过度依赖参考图像的问题。2) 构建过程的挑战：数据集的构建需要处理不同传感器获取的图像之间的复杂退化，确保时间间隔和土地覆盖变化的多样性，同时避免数据泄漏问题。此外，如何有效利用参考图像的局部细节和全局上下文信息，以及如何在推理过程中控制参考强度，也是该数据集相关研究中的关键挑战。

常用场景

经典使用场景

Real-RefRSSRD数据集在遥感图像超分辨率重建领域具有广泛的应用前景。该数据集通过整合高分辨率NAIP影像和低分辨率Sentinel-2影像对，为基于参考的超分辨率（RefSR）研究提供了真实场景下的基准数据。其典型应用场景包括利用历史高分辨率影像辅助当前低分辨率观测进行空间分辨率增强，尤其适用于存在显著地物变化的复杂场景。数据集包含多种土地覆盖类型和时间跨度（6-14年）的影像对，能有效模拟跨传感器分辨率差异和时相变化带来的实际挑战。

衍生相关工作

该数据集催生了多项创新性研究工作，包括：基于预训练扩散模型的参考超分辨率框架CRefDiff，其双分支融合机制和参考强度控制策略已成为后续研究的基准方法；针对遥感特性的变化感知注意力模块（CAA）和语义令牌聚合（STA）等新型网络结构；Better Start加速策略显著降低了扩散模型的推理耗时。相关技术已被拓展应用于多时相影像合成、跨模态超分辨率等衍生方向，推动了遥感图像处理与生成式AI的深度融合。

数据集最近研究

最新研究方向

在遥感图像超分辨率领域，Real-RefRSSRD数据集的推出标志着基于参考的超分辨率（RefSR）技术向真实世界复杂场景迈出了关键一步。该数据集通过整合高分辨率NAIP影像与低分辨率Sentinel-2影像对，并引入显著时间跨度和多样化地表覆盖变化，为克服跨传感器分辨率差异和动态地物变化等核心挑战提供了基准平台。当前研究前沿聚焦于生成式扩散先验与双分支融合机制的协同创新，如CRefDiff框架通过预训练Stable Diffusion模型解决欠生成问题，同时利用局部纹理编码器和全局语义聚合模块自适应整合参考信息。热点方向包括推理阶段的可控参考强度调节技术，以及通过Better Start策略加速扩散模型推理流程。这些突破不仅显著提升了超分辨率重建的感知质量与几何保真度，更在场景分类、语义分割等下游任务中展现出实际应用价值，为高时空分辨率地球观测提供了新的技术范式。

相关研究论文

• Controllable Reference-Based Real-World Remote Sensing Image Super-Resolution with Generative Diffusion Priors

  武汉大学遥感信息工程学院 · 2025年