$$ \newcommand{\bone}{\mathbf{1}} \newcommand{\bbeta}{\mathbf{\beta}} \newcommand{\bdelta}{\mathbf{\delta}} \newcommand{\bepsilon}{\mathbf{\epsilon}} \newcommand{\blambda}{\mathbf{\lambda}} \newcommand{\bomega}{\mathbf{\omega}} \newcommand{\bpi}{\mathbf{\pi}} \newcommand{\bphi}{\mathbf{\phi}} \newcommand{\bvphi}{\mathbf{\varphi}} \newcommand{\bpsi}{\mathbf{\psi}} \newcommand{\bsigma}{\mathbf{\sigma}} \newcommand{\btheta}{\mathbf{\theta}} \newcommand{\btau}{\mathbf{\tau}} \newcommand{\ba}{\mathbf{a}} \newcommand{\bb}{\mathbf{b}} \newcommand{\bc}{\mathbf{c}} \newcommand{\bd}{\mathbf{d}} \newcommand{\be}{\mathbf{e}} \newcommand{\boldf}{\mathbf{f}} \newcommand{\bg}{\mathbf{g}} \newcommand{\bh}{\mathbf{h}} \newcommand{\bi}{\mathbf{i}} \newcommand{\bj}{\mathbf{j}} \newcommand{\bk}{\mathbf{k}} \newcommand{\bell}{\mathbf{\ell}} \newcommand{\bm}{\mathbf{m}} \newcommand{\bn}{\mathbf{n}} \newcommand{\bo}{\mathbf{o}} \newcommand{\bp}{\mathbf{p}} \newcommand{\bq}{\mathbf{q}} \newcommand{\br}{\mathbf{r}} \newcommand{\bs}{\mathbf{s}} \newcommand{\bt}{\mathbf{t}} \newcommand{\bu}{\mathbf{u}} \newcommand{\bv}{\mathbf{v}} \newcommand{\bw}{\mathbf{w}} \newcommand{\bx}{\mathbf{x}} \newcommand{\by}{\mathbf{y}} \newcommand{\bz}{\mathbf{z}} \newcommand{\bA}{\mathbf{A}} \newcommand{\bB}{\mathbf{B}} \newcommand{\bC}{\mathbf{C}} \newcommand{\bD}{\mathbf{D}} \newcommand{\bE}{\mathbf{E}} \newcommand{\bF}{\mathbf{F}} \newcommand{\bG}{\mathbf{G}} \newcommand{\bH}{\mathbf{H}} \newcommand{\bI}{\mathbf{I}} \newcommand{\bJ}{\mathbf{J}} \newcommand{\bK}{\mathbf{K}} \newcommand{\bL}{\mathbf{L}} \newcommand{\bM}{\mathbf{M}} \newcommand{\bN}{\mathbf{N}} \newcommand{\bP}{\mathbf{P}} \newcommand{\bQ}{\mathbf{Q}} \newcommand{\bR}{\mathbf{R}} \newcommand{\bS}{\mathbf{S}} \newcommand{\bT}{\mathbf{T}} \newcommand{\bU}{\mathbf{U}} \newcommand{\bV}{\mathbf{V}} \newcommand{\bW}{\mathbf{W}} \newcommand{\bX}{\mathbf{X}} \newcommand{\bY}{\mathbf{Y}} \newcommand{\bZ}{\mathbf{Z}} \newcommand{\bsa}{\boldsymbol{a}} \newcommand{\bsb}{\boldsymbol{b}} \newcommand{\bsc}{\boldsymbol{c}} \newcommand{\bsd}{\boldsymbol{d}} \newcommand{\bse}{\boldsymbol{e}} \newcommand{\bsoldf}{\boldsymbol{f}} \newcommand{\bsg}{\boldsymbol{g}} \newcommand{\bsh}{\boldsymbol{h}} \newcommand{\bsi}{\boldsymbol{i}} \newcommand{\bsj}{\boldsymbol{j}} \newcommand{\bsk}{\boldsymbol{k}} \newcommand{\bsell}{\boldsymbol{\ell}} \newcommand{\bsm}{\boldsymbol{m}} \newcommand{\bsn}{\boldsymbol{n}} \newcommand{\bso}{\boldsymbol{o}} \newcommand{\bsp}{\boldsymbol{p}} \newcommand{\bsq}{\boldsymbol{q}} \newcommand{\bsr}{\boldsymbol{r}} \newcommand{\bss}{\boldsymbol{s}} \newcommand{\bst}{\boldsymbol{t}} \newcommand{\bsu}{\boldsymbol{u}} \newcommand{\bsv}{\boldsymbol{v}} \newcommand{\bsw}{\boldsymbol{w}} \newcommand{\bsx}{\boldsymbol{x}} \newcommand{\bsy}{\boldsymbol{y}} \newcommand{\bsz}{\boldsymbol{z}} \newcommand{\bsA}{\boldsymbol{A}} \newcommand{\bsB}{\boldsymbol{B}} \newcommand{\bsC}{\boldsymbol{C}} \newcommand{\bsD}{\boldsymbol{D}} \newcommand{\bsE}{\boldsymbol{E}} \newcommand{\bsF}{\boldsymbol{F}} \newcommand{\bsG}{\boldsymbol{G}} \newcommand{\bsH}{\boldsymbol{H}} \newcommand{\bsI}{\boldsymbol{I}} \newcommand{\bsJ}{\boldsymbol{J}} \newcommand{\bsK}{\boldsymbol{K}} \newcommand{\bsL}{\boldsymbol{L}} \newcommand{\bsM}{\boldsymbol{M}} \newcommand{\bsN}{\boldsymbol{N}} \newcommand{\bsP}{\boldsymbol{P}} \newcommand{\bsQ}{\boldsymbol{Q}} \newcommand{\bsR}{\boldsymbol{R}} \newcommand{\bsS}{\boldsymbol{S}} \newcommand{\bsT}{\boldsymbol{T}} \newcommand{\bsU}{\boldsymbol{U}} \newcommand{\bsV}{\boldsymbol{V}} \newcommand{\bsW}{\boldsymbol{W}} \newcommand{\bsX}{\boldsymbol{X}} \newcommand{\bsY}{\boldsymbol{Y}} \newcommand{\bsZ}{\boldsymbol{Z}} \newcommand{\calA}{\mathcal{A}} \newcommand{\calB}{\mathcal{B}} \newcommand{\calC}{\mathcal{C}} \newcommand{\calD}{\mathcal{D}} \newcommand{\calE}{\mathcal{E}} \newcommand{\calF}{\mathcal{F}} \newcommand{\calG}{\mathcal{G}} \newcommand{\calH}{\mathcal{H}} \newcommand{\calI}{\mathcal{I}} \newcommand{\calJ}{\mathcal{J}} \newcommand{\calK}{\mathcal{K}} \newcommand{\calL}{\mathcal{L}} \newcommand{\calM}{\mathcal{M}} \newcommand{\calN}{\mathcal{N}} \newcommand{\calO}{\mathcal{O}} \newcommand{\calP}{\mathcal{P}} \newcommand{\calQ}{\mathcal{Q}} \newcommand{\calR}{\mathcal{R}} \newcommand{\calS}{\mathcal{S}} \newcommand{\calT}{\mathcal{T}} \newcommand{\calU}{\mathcal{U}} \newcommand{\calV}{\mathcal{V}} \newcommand{\calW}{\mathcal{W}} \newcommand{\calX}{\mathcal{X}} \newcommand{\calY}{\mathcal{Y}} \newcommand{\calZ}{\mathcal{Z}} \newcommand{\R}{\mathbb{R}} \newcommand{\C}{\mathbb{C}} \newcommand{\N}{\mathbb{N}} \newcommand{\Z}{\mathbb{Z}} \newcommand{\F}{\mathbb{F}} \newcommand{\Q}{\mathbb{Q}} \DeclareMathOperator*{\argmax}{arg\,max} \DeclareMathOperator*{\argmin}{arg\,min} \newcommand{\nnz}[1]{\mbox{nnz}(#1)} \newcommand{\dotprod}[2]{\langle #1, #2 \rangle} \newcommand{\ignore}[1]{} \let\Pr\relax \DeclareMathOperator*{\Pr}{\mathbf{Pr}} \newcommand{\E}{\mathbb{E}} \DeclareMathOperator*{\Ex}{\mathbf{E}} \DeclareMathOperator*{\Var}{\mathbf{Var}} \DeclareMathOperator*{\Cov}{\mathbf{Cov}} \DeclareMathOperator*{\stddev}{\mathbf{stddev}} \DeclareMathOperator*{\avg}{avg} \DeclareMathOperator{\poly}{poly} \DeclareMathOperator{\polylog}{polylog} \DeclareMathOperator{\size}{size} \DeclareMathOperator{\sgn}{sgn} \DeclareMathOperator{\dist}{dist} \DeclareMathOperator{\vol}{vol} \DeclareMathOperator{\spn}{span} \DeclareMathOperator{\supp}{supp} \DeclareMathOperator{\tr}{tr} \DeclareMathOperator{\Tr}{Tr} \DeclareMathOperator{\codim}{codim} \DeclareMathOperator{\diag}{diag} \newcommand{\PTIME}{\mathsf{P}} \newcommand{\LOGSPACE}{\mathsf{L}} \newcommand{\ZPP}{\mathsf{ZPP}} \newcommand{\RP}{\mathsf{RP}} \newcommand{\BPP}{\mathsf{BPP}} \newcommand{\P}{\mathsf{P}} \newcommand{\NP}{\mathsf{NP}} \newcommand{\TC}{\mathsf{TC}} \newcommand{\AC}{\mathsf{AC}} \newcommand{\SC}{\mathsf{SC}} \newcommand{\SZK}{\mathsf{SZK}} \newcommand{\AM}{\mathsf{AM}} \newcommand{\IP}{\mathsf{IP}} \newcommand{\PSPACE}{\mathsf{PSPACE}} \newcommand{\EXP}{\mathsf{EXP}} \newcommand{\MIP}{\mathsf{MIP}} \newcommand{\NEXP}{\mathsf{NEXP}} \newcommand{\BQP}{\mathsf{BQP}} \newcommand{\distP}{\mathsf{dist\textbf{P}}} \newcommand{\distNP}{\mathsf{dist\textbf{NP}}} \newcommand{\eps}{\epsilon} \newcommand{\lam}{\lambda} \newcommand{\dleta}{\delta} \newcommand{\simga}{\sigma} \newcommand{\vphi}{\varphi} \newcommand{\la}{\langle} \newcommand{\ra}{\rangle} \newcommand{\wt}[1]{\widetilde{#1}} \newcommand{\wh}[1]{\widehat{#1}} \newcommand{\ol}[1]{\overline{#1}} \newcommand{\ul}[1]{\underline{#1}} \newcommand{\ot}{\otimes} \newcommand{\zo}{\{0,1\}} \newcommand{\co}{:} %\newcommand{\co}{\colon} \newcommand{\bdry}{\partial} \newcommand{\grad}{\nabla} \newcommand{\transp}{^\intercal} \newcommand{\inv}{^{-1}} \newcommand{\symmdiff}{\triangle} \newcommand{\symdiff}{\symmdiff} \newcommand{\half}{\tfrac{1}{2}} \newcommand{\mathbbm}{\Bbb} \newcommand{\bbone}{\mathbbm 1} \newcommand{\Id}{\bbone} \newcommand{\SAT}{\mathsf{SAT}} \newcommand{\bcalG}{\boldsymbol{\calG}} \newcommand{\calbG}{\bcalG} \newcommand{\bcalX}{\boldsymbol{\calX}} \newcommand{\calbX}{\bcalX} \newcommand{\bcalY}{\boldsymbol{\calY}} \newcommand{\calbY}{\bcalY} \newcommand{\bcalZ}{\boldsymbol{\calZ}} \newcommand{\calbZ}{\bcalZ} $$

ISPRS ｜高光谱影像重建出来后，AI帮你判断哪些地方值得信任？

Created in October 15, 2026 by Shanxin Guo

2026   ·   image super resolution   remote-sensing

post.cover
从深中通道眺望珠江口

光谱超分辨模型根据多光谱观测预测高光谱影像，重建光谱因此是模型的预测结果。即使整体精度较高，地物边界、建筑屋顶或特定波段仍可能出现偏差。实际应用中通常缺少可逐点核对的真实高光谱影像，因此有必要回答：哪些重建结果更可靠，哪些需要重点复核？ 近日，中国科学院深圳先进技术研究院空间信息陈劲松、郭善昕研究团队的论文“Quantifying aleatoric and epistemic uncertainty in remote sensing spectral super-resolution via Bayesian deep learning” 发表于摄影测量与遥感领域国际顶级期刊《ISPRS Journal of Photogrammetry and Remote Sensing》（中科院一区）。该研究提出了一种全新贝叶斯不确定性量化框架 BayesSSR，在给出高光谱影像重建预测的同时，提供逐像素、逐波段的预测不确定性估计，使模型输出从单一重建光谱扩展为包含可靠性信息的结果。

论文在线发表后的标题页面

该研究首次在光谱超分辨任务中建立了显式联合量化并区分 AU 与 EU 的框架。该框架在同一训练流程中恢复光谱并估计两类不确定性，为判断重建预测的可靠性及其不确定性来源提供统一的方法基础。 BayesSSR 将重建预测的不确定性分为两部分：数据相关的偶然不确定性（AU）描述给定模型时，观测噪声和光谱混合等因素造成的预测波动；模型相关的认知不确定性（EU）描述不同合理模型参数对同一输入给出的重建预测差异。框架通过专门的 AU 估计模块刻画条件预测波动，并利用随机梯度朗之万动力学（SGLD）采样模型参数，以不同参数下的重建差异估计 EU。两阶段训练与梯度阻断设计减轻了不确定性学习对光谱重建的干扰，使可靠性评估建立在保持重建能力的基础上。

BayesSSR 从多光谱输入给出高光谱重建预测，并分别估计 AU 和 EU

从量化不确定性进一步走向来源诊断与模型适配。受控实验表明，训练与测试噪声条件一致时，噪声增强主要反映为 AU 上升；测试数据偏离训练分布时，EU 则增长更为明显，为区分数据质量影响与模型知识不足提供了归因依据。通过两阶段训练与梯度阻断，框架还可即插即用地接入不同预训练骨干；Houston 上的四种骨干实验验证了这种适配能力，为已有光谱超分模型增加可靠性评估提供了通用方法。 预测不确定性要用于可靠性评估，需要同时通过校准和误差排序检验。Chikusei、Houston 和雄安三组实验的校准误差均低于 0.04，说明预测区间的标称覆盖率与实际覆盖率较为一致。研究进一步按不确定性从高到低移除像素，检验保留区域的重建误差；以 Houston 为例，总不确定性的 SAUC 为 0.880，表明其比随机排序更有助于优先识别高误差像素。

稀疏排序实验：左侧比较真实误差、AU 和 EU 给出的像素移除顺序；右侧显示逐步移除像素后，保留区域的平均误差变化

研究还在真实 Headwall–DJI 场景中检验模型遇到陌生地物时的表现。先只用树木区域训练，再测试建筑区域时，建筑区域呈现较高误差和不确定性。补充具有代表性的建筑训练样本后，同一建筑测试区域的 PSNR 从 31.47 dB 提升至 32.32 dB，平均 EU 下降 56.2%。

从树木区域应用到建筑区域，以及补充建筑训练样本前后的误差和不确定性变化

该研究将光谱超分的评价维度从整体重建精度拓展到逐像素、逐波段的预测可靠性，并通过 AU/EU 分解增强对不确定性来源的解释能力。逐像素、逐波段的不确定性信息可支持光谱质量筛选、重点复核和针对性补样，为后续下游的遥感分析与应用提供依据。 中国科学院深圳先进技术研究院博士生李炤林为论文第一作者，陈劲松研究员和郭善昕副研究员为该文通讯作者，数字所空间信息研究团队为本研究提供了重要支持。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：

  1. Li, Z., Guo, S., Chen, P., Zhang, X., Wang, J., Chen, J., 2027. Quantifying aleatoric and epistemic uncertainty in remote sensing spectral super-resolution via Bayesian deep learning. ISPRS Journal of Photogrammetry and Remote Sensing 243, 659–676. https://doi.org/10.1016/j.isprsjprs.2026.10.031


    Enjoy Reading This Article?

    Here are some more articles you might like to read next:

  • IEEE TCI｜两台相机的光谱“语言”不通，如何重建高光谱影像？
  • 基于时空融合的MODIS产品降尺度模型-以海表叶绿素为例
  • 面向地表快速变化场景的时空融合的动态神经网络I-USTFM：以地表温度为例
  • 对抗样本噪声的遥感深度学习分类网络模型
  • 快速评估监督学习中常用遥感分类算法的时间效率