Una evaluación comparativa de métodos de superresolución para imágenes espectrales utilizando modelos RGB...

Área de la Ciencia:

• Imagen espectral
• Visión por computadora
• Procesamiento de imágenes

Sus antecedentes:

• Las limitaciones de hardware y la escasez de conjuntos de datos anotados limitan la resolución de la imagen espectral.
• Las técnicas de superresolución (SR) ofrecen una solución potencial para mejorar el detalle espacial en datos espectrales.
• La evaluación de diversos métodos de SR es crucial para avanzar en la restauración de imágenes espectrales.

Objetivo del estudio:

• Evaluar de manera integral los métodos de SR basados en interpolación, CNN, GAN y difusión para imágenes espectrales.
• Establecer un marco reproducible para evaluar el rendimiento de SR en datos espectrales.
• Identificar las compensaciones entre la mejora espacial y la fidelidad espectral en los modelos de SR.

Principales métodos:

• Desarrollo de un conjunto de datos espectral sintético de 30 bandas utilizando MST++ para la verdad fundamental.
• Entrada de tríos RGB no adyacentes en arquitecturas SR existentes para compatibilidad.
• Evaluación de modelos SR (bicúbica, CNN, ESRGAN, modelos de difusión) en escalas ×2, ×4 y ×8 utilizando métricas PSNR, SSIM y SAM.

Principales resultados:

• La interpolación bicúbica sirve como una línea base espectralmente confiable.
• Las CNN poco profundas demuestran una buena generalización sin ajuste fino.
• ESRGAN mejora el detalle espacial pero compromete la precisión espectral.
• Los modelos de difusión muestran un rendimiento inestable sin adaptación al dominio espectral, lo que requiere entrenamiento consciente del espectro.

Conclusiones:

• Existe una compensación persistente entre la nitidez perceptual y la fidelidad espectral en SR.
• Los objetivos específicos del dominio son críticos para los modelos de SR generativos aplicados a datos espectrales.
• El estudio proporciona bases reproducibles y un marco de evaluación para futuras investigaciones de restauración de imágenes espectrales.