High-Definition from Above : Advancing Satellite Imagery Super-Resolution via Self-Supervision
Définition Haute-Précision d’en Haut : Avancement de la Super-Résolution des Images Satellitaires via Auto-Supervision
Résumé
This thesis contributes to the field of Earth Observation (EO) by advancing super-resolution techniques in satellite imagery, tackling both multi-image and single-image challenges. A key focus is overcoming the prevalent issue in remote sensing: the absence of high-resolution ground truth data. We address this through innovative self-supervised learning methods, which allow for model training without conventional high-resolution targets. In the realm of multi-image super-resolution, our Deep Shift-and-Add (DSA) framework, designed for SkySat sensors, exemplifies a novel self-supervised approach. It effectively combines shift-and-add fusion with self-supervised learning to handle the absence of high-resolution data, setting a new standard in the field. For single-image super-resolution, we leverage the unique properties of Sentinel-2 imagery to develop specialized self-supervised techniques. These methods enhance detail recovery, exceeding the sensor's inherent resolution. Our research not only addresses specific challenges in satellite imagery super-resolution but also hints at the broader applicability of our methods across various satellite platforms and data types, offering a promising direction for future exploration in satellite image processing and EO technologies.
Cette thèse contribue au domaine de l’observation de la Terre (OT) en faisant progresser les techniques de super-résolution dans l’imagerie satellitaire, en abordant à la fois les défis de l’imagerie multi-image et single-image. L’accent est mis sur la surmontée d’un problème prévalent dans la télédétection : l’absence de données de vérité terrain en haute résolution. Nous adressons cela à travers des méthodes innovantes d’apprentissage auto-supervisé, qui permettent l’entraînement de modèles sans cibles conventionnelles en haute résolution. Dans la super-résolution multi-image, notre cadre Deep Shift-and-Add (DSA), conçu pour les capteurs SkySat, illustre une approche auto-supervisée nouvelle. Il combine efficacement la fusion shift-and-add avec l’apprentissage auto-supervisé pour gérer l’absence de données en haute résolution, établissant une nouvelle norme dans le domaine. Pour la super-résolution single-image, nous exploitons les propriétés uniques de l’imagerie Sentinel-2 pour développer des techniques auto-supervisées spécialisées. Ces méthodes améliorent la récupération des détails, dépassant la résolution intrinsèque du capteur. Notre recherche aborde non seulement des défis spécifiques dans la super-résolution d’images satellitaires, mais suggère également l’applicabilité plus large de nos méthodes à diverses plateformes satellitaires et types de données, offrant une direction prometteuse pour les futures explorations dans le traitement d’images satellitaires et les technologies OT.
Origine | Version validée par le jury (STAR) |
---|