П.О. Архипов1, С.Л. Филиппских2, М.В. Цуканов3

1–3 Орловский филиал ФИЦ «Информатика и управление» РАН (г. Орёл, Россия)
1 arpaul@mail.ru, 2 philippsl@mail.ru, 3 tsukanov.m.v@yandex.ru

Постановка проблемы. В работе рассмотрены ограничения существующих методов восстановления аэро- и спутниковых фотоснимков. Такие методы ориентированы преимущественно на визуальное улучшение изображений и приводят к появлению неточностей и галлюцинаций, что ограничивает их применение в задачах компьютерного зрения и мониторинга земной поверхности. С целью устранения подобных ограничений требуется разработать метод обучения нейросетевых моделей, который смог бы контролировать появление галлюцинаций таким образом, чтобы восстановленные изображения были максимально близки к изображениям в высоком разрешении.

Цель. Исследовать и сделать выбор эталонных базовых моделей оценки эффективности применения функции потерь и протокола обучения сверточных нейронных сетей для улучшения качества аэро- и спутниковых фотоснимков.

Результаты. Получена базовая оценка качества реконструкции спутниковых снимков с помощью модели бикубической интерполяции. Найдена оптимальная архитектура модели – SRResNet. Разработан протокол обучения нейронной сети, включающий в себя использование как синтетических, так и кросс-сенсорных спутниковых снимков. 

Практическая значимость. Полученные результаты могут быть использованы для разработки метода обучения нейросетевых моделей с контролем галлюцинаций и функции потерь, предназначенной для сохранения естественной детализации аэро- и спутниковых фотоснимков.

Архипов П.О., Филиппских С.Л., Цуканов М.В. Исследование базовых нейросетевых архитектур и протокола обучения сверточных нейросетевых моделей для улучшения качества аэрофотоснимков // Системы высокой доступности. 2026. Т. 22. № 3. С. 45−54. DOI: https://doi.org/10.18127/j20729472-202603-05

1. Wang Z., Chen J., Hoi S.C.H. Deep Learning for Image Super-Resolution: A Survey // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2021. V. 43. № 10. P. 3365–3387. doi: 10.1109/TPAMI.2020.2982166
2. Архипов П.О., Филиппских С.Л., Цуканов М.В. Особенности практической реализации метода аугментации малых объектов на основе сетей сверхвысокого разрешения // Системы и средства информатики. 2025. Т. 35. № 3. С. 17–32. doi: 10.14357/08696527250302
3. Arkhipov P.O., Philippskikh S.L., Tsukanov M.V. Development of a Specialized Method for Contextual Augmentation of Small Objects // Pattern Recognition and Image Analysis. 2026. V. 36. № 2. P. 335–342. doi: 10.1134/S1054661826700148
4. Dong C., Loy C.C., Tang X. Accelerating the Super-Resolution Convolutional Neural Network // Computer Vision – ECCV 2016. Lecture Notes in Computer Science. Cham: Springer, 2016. V. 9906. P. 391–407. doi: 10.1007/978-3-319-46475-6_25
5. Zhang Y., Li K., Li K., Wang L., Zhong B., Fu Y. Image Super-Resolution Using Very Deep Residual Channel Attention Networks // Computer Vision – ECCV 2018. Lecture Notes in Computer Science. Cham: Springer, 2018. V. 11211. P. 294–310. doi: 10.1007/978-3-030-01234-2_18
6. Ledig C., Theis L., Huszár F., Caballero J., Cunningham A., Acosta A., Aitken A., Tejani A., Totz J., Wang Z., Sh, W. Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2017. P. 4681–4690. doi: 10.1109/CVPR.2017.19
7. Wang X., Yu K., Wu S., Gu J., Liu Y., Dong C., Qiao Y., Loy C.C. ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks // Computer Vision – ECCV 2018 Workshops. Lecture Notes in Computer Science. Cham: Springer. 2019. V. 11133. P. 63–79. doi: 10.1007/978-3-030-11021-5_5
8. Wang X., Xie L., Dong C., Shan Y. Real-ESRGAN: Training Real-World Blind Super-Resolution with Pure Synthetic Data // Proceedings of the IEEE/CVF International Conference on Computer Vision Workshops (ICCVW). 2021. P. 1905–1914. doi: 10.1109/ICCVW54120.2021.00217
9. Liang J., Cao J., Sun G., Zhang K., Van Gool L., Timofte R. SwinIR: Image Restoration Using Swin Transformer // Proceedings of the IEEE/CVF International Conference on Computer Vision Workshops (ICCVW). 2021. P. 1833–1844. doi: 10.1109/ICCVW54120.2021.00210
10. Zhang A., Lipton Z.C., Li M., Smola A.J. Dive into Deep Learning. Cambridge: Cambridge University Press, 2023. 842 p.
11. Chen H., He X., Qing L., Wu Y., Ren C., Sheriff R.E., Zhu C. Real-world Single Image Super-Resolution: A Brief Review // Information Fusion. 2022. V. 79. P. 124–145. doi: 10.1016/j.inffus.2021.09.005
12. Donike S., Aybar C., Gómez-Chova L., Kalaitzis F. Trustworthy Super-Resolution of Multispectral Sentinel-2 Imagery With Latent Diffusion // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2025. doi: 10.1109/JSTARS.2025.3542220
13. Ren W., Goyal R., Hu Z. Aumentado-Armstrong T.T., Mohomed I., Levinshtein A. Hallucination Score: Towards Mitigating Hallucinations in Generative Image Super-Resolution // arXiv:2507.14367 [cs.CV]. 2025. doi: 10.48550/arXiv.2507.14367
14. ESA OpenSR Homepage. URL: https://esaopensr.github.io/ (дата обращения: 21.07.2026).
15. Drusch M., Del Bello U., Carlier S. et al. Sentinel-2: ESA's Optical High-Resolution Mission for GMES // Remote Sensing of Environment. 2012. V. 120. P. 25–36. doi: 10.1016/j.rse.2011.11.026
16. Aybar C., Montero D., Contreras J., Donike S., Kalaitzis F., Gómez-Chova L. SEN2NAIP: A Large-Scale Dataset for Sentinel-2 Image Super-Resolution // Scientific Data. 2024. V. 11. Article 1389. doi: 10.1038/s41597-024-04214-y
17. Aybar C., Montero D., Donike S., Kalaitzis F., Gómez-Chova L. A Comprehensive Benchmark for Optical Remote Sensing Image Super-Resolution // IEEE Geoscience and Remote Sensing Letters. 2024. V. 21. Art. 5003105. P. 1–5. doi: 10.1109/LGRS.2024.3401394
18. Donike S., Aybar C., Contreras J., Gómez-Chova L. OpenSR-SRGAN: A Flexible Super-Resolution Framework for Multispectral Earth Observation Data // arXiv:2511.10461 [cs.CV]. 2025. doi: 10.48550/arXiv.2511.10461
19. Willmott C.J., Matsuura K. Advantages of the Mean Absolute Error (MAE) over the Root Mean Square Error (RMSE) in Assessing Average Model Performance // Climate Research. 2005. V. 30. № 1. P. 79–82. doi: 10.3354/cr030079
20. Kruse F.A., Lefkoff A.B., Boardman J.W., Heidebrecht K.B., Shapiro A.T., Barloon P.J., Goetz A.F.H. The Spectral Image Processing System (SIPS) —Interactive Visualization and Analysis of Imaging Spectrometer Data // Remote Sensing of Environment. 1993. V. 44. № 2–3. P. 145–163. doi: 10.1016/0034-4257(93)90013-N
21. Chang C.-I. Hyperspectral Imaging: Techniques for Spectral Detection and Classification. New York: Kluwer Academic / Plenum Publishers. 2003. 370 p. doi: 10.1007/978-1-4615-0285-9
22. Keys R.G. Cubic Convolution Interpolation for Digital Image Processing // IEEE Transactions on Acoustics, Speech, and Signal Processing. 1981. V. 29. № 6. P. 1153–1160. doi: 10.1109/TASSP.1981.1163711
23. Howse J., Minichino J. Learning OpenCV 5 Computer Vision with Python. 4th ed. Birmingham: Packt Publishing. 2023.
24. ЦКП «ИНФОРМАТИКА». URL: https://www.frccsc.ru/ckp (дата обращения: 21.07.2026).