在精细农业、环境监测和地物识别等任务中，高光谱影像能够提供丰富的光谱信息，但高光谱相机成本较高、数据量大，难以大范围部署。光谱超分辨技术有望从低成本多光谱影像中重建高光谱影像，为精细遥感观测提供一条低成本路径。

然而，这项技术走向真实应用还需解决两个关键问题：不同相机之间的光谱转换关系往往未知，重建模型如何适应真实跨传感器场景？重建结果本质上是模型预测，在缺少真实高光谱影像核对时，用户又如何判断哪些结果可信？

近日，中国科学院深圳先进技术研究院（以下简称“深圳先进院”）数字所空间信息研究中心陈劲松、郭善昕团队围绕上述问题取得连续研究进展。相关成果分别发表于计算成像领域专业期刊IEEE Transactions on Computational Imaging和摄影测量与遥感领域国际顶级期刊ISPRS Journal of Photogrammetry and Remote Sensing。

针对跨传感器光谱转换关系未知的问题光谱难以重建的问题，团队提出一种物理退化过程引导的光谱深度展开网络PGU-Net。该网络不再将光谱转换关系作为预先给定的固定参数，而是将其与高光谱影像共同估计。通过将物理观测模型嵌入深度展开网络，在重建高光谱影像的同时学习两台相机之间的有效光谱转换关系，降低了光谱超分辨对精确传感器先验的依赖。

在真实Headwall–DJI无人机跨传感器数据中，PGU-Net将四波段多光谱观测重建为144波段高光谱影像，重建峰值信噪比达到39.34 dB。空间互不连通区域上的验证进一步表明，该方法具有较好的跨区域重建稳定性，为不同无人机、不同相机之间的光谱信息转换与协同应用提供了新方法。

在此基础上，团队进一步提出BayesSSR框架，回答“重建光谱有多可靠”的问题。该框架在输出高光谱重建结果的同时，提供逐像元、逐波段的不确定性信息，使用户不仅知道模型“给出了什么”，还能够了解“哪里可能不准”。

BayesSSR将不确定性区分为数据相关的偶然不确定性（AU）和模型相关的认知不确定性（EU）。前者主要反映观测噪声、光谱混合等数据因素，后者主要反映训练样本不足、模型知识有限等问题。据论文作者介绍，这是首个在光谱超分辨任务中显式联合量化并区分AU与EU的框架。

这种区分使不确定性从笼统的“置信分数”转变为可操作的诊断线索：数据问题可引导改善观测质量，模型知识不足则可提示补充代表性样本。真实场景实验显示，针对高不确定性区域补充训练样本后，模型重建精度得到提升，平均EU下降56.2%，展示了“发现风险—分析来源—针对性改进”的应用路径。

两项研究分别解决“如何重建光谱”和“如何判断光谱可信”的问题，共同将光谱超分辨从关注整体重建精度，拓展到具体像元和波段的可靠性评估。两者结合，可为光谱质量筛选、重点区域复核、针对性补样及下游定量应用提供支撑，推动低成本光谱遥感从“能重建”向“可评估、能改进”迈进。

两篇论文均由深圳先进院博士生李炤林担任第一作者，陈劲松研究员和郭善昕副研究员担任通讯作者，数字所空间信息研究团队为本研究提供了重要支持。相关研究得到国家重点研发计划“生态系统结构与过程关键参数反演与三维实景重建技术”、国家自然科学基金、广东省基础与应用基础研究基金、广东省自然科学基金及深圳市相关科技计划资助。

论文连接

图1.论文上线截图

图2．PGU-Net联合估计高光谱影像与跨传感器光谱转换关系

图3. 按 AU、EU 和总不确定性排序移除像素，并与真实误差排序比较。

图4. 建筑区域在补充代表性训练样本前后的重建误差与不确定性变化。