使用卷积神经网络 (CNN) 的最佳实践完成从 RGB 图像到对应大小的高光谱图像的直接映射，实现了超分辨率的高光谱成像，优于现有技术水平。

Mar, 2017

本文提出了一种采用残差学习构建非常深的卷积神经网络来实现全面利用深度学习模型的高非线性性的方法，经过大量高质量多光谱图像的定量和视觉评估，证明我们提出的模型优于比较中包括所有主流算法，达到了最高的空间光谱一致性精度。

May, 2017

本文提出了一种基于深度卷积神经网络的多尺度图像转换方法，可以从 RGB 观测值中产生高分辨率的高光谱图像。在对中间特征图进行对称下采样和上采样的级联模式下，可以共同编码局部和非局部图像信息以获得更准确的光谱重建精度。

Jun, 2018

本研究旨在将 Sentinel-2 卫星影像的低分辨率（20m 和 60m 采样距离）图像超分辨率重建到 10m 采样距离，采用了基于卷积神经网络的端到端上采样方法，命名为 DSen2，在 RMSE 性能上优于最佳比较方法近 50％，以视觉效果快速重建全分辨率图像。

Mar, 2018

提出了使用高分辨率多场景数据集 PanBench 和级联多尺度融合网络（CMFNet）进行高保真度的 Pansharpening，通过对 CMFNet 进行大量实验证实其有效性，并开放了数据集、源代码和预训练模型以促进遥感领域的进一步研究。

Nov, 2023

利用卫星影像数据，本研究提出了一个卷积神经网络模型来实现多图像超分辨率技术，弥补高清晰度影像获取时间间隔较长的缺陷，通过对大量数据进行重建，证明机器学习技术在卫星图像处理中具有应用潜力。

Jul, 2019

该论文提出通过超分辨率提高卫星图像的质量并降低成本。作者设计了一种框架以分析每个低分辨率图像补丁的区域信息内容，并明智地选择在图像上超分辨率更富有结构的区域上使用更复杂的深层模型，而在非显著区域上使用不使用深层模型的低资源密集型方法，从而在保证性能的同时降低了推断时间。

Aug, 2020

本研究提出了一种名为 MSDCNN 的多尺度和多深度卷积神经网络用于遥感影像的 pan-sharpening 任务，该网络通过卷积神经网络的多尺度特征提取和残差学习来实现非线性关系的有效建模，实验结果表明，与其他先进方法相比，MSDCNN 可以获得质量更高的图像。

Dec, 2017

本文提出一种基于深度卷积神经网络的单高光谱图像超分辨率重建方法，引入了空间 - 光谱先验网络 (SSPN) 来充分利用高光谱数据的空间信息和光谱相关性，通过组卷积和逐步上采样框架来提高稳定性和效率，并设计了空间 - 光谱块 (SSB) 来提取更丰富的特征信息，实验结果表明，所提出的 SSPSR 方法可以增强恢复的高分辨率高光谱图像的细节，且优于现有方法。

May, 2020

本研究通过实验研究发现，训练数据对超分辨率重建性能有很大影响，特别是对于卫星图像，而一般情况下使用巴比克降采样获取的低分辨率数据不是最有效的方法，因此，改进训练数据预处理流程可能对于使超分辨率重建适用于实际应用至关重要。

Jun, 2019