Resumen Técnico: Mind the Gap: Cuantificando la brecha de dominio en la superresolución cross-sensor basada en difusión

Planteamiento del Problema

Las aplicaciones de teledetección, como el monitoreo de incendios forestales y la gestión de recursos, enfrentan un dilema crítico de resolución espacial. Las misiones de libre acceso como Sentinel-2 ofrecen una alta frecuencia temporal pero una resolución moderada (10 m/píxel), mientras que los sistemas comerciales como PlanetScope proporcionan una mayor resolución (3 m/píxel) con un costo asociado. La superresolución (SR, por sus siglas en inglés) busca cerrar esta brecha reconstruyendo imágenes de alta resolución (HR) a partir de observaciones de baja resolución (LR).

Sin embargo, persiste un desafío fundamental: la ausencia de observaciones LR–HR verdaderamente emparejadas de diferentes sensores. En consecuencia, la mayoría de los modelos de SR se entrenan con datos degradados sintéticamente (por ejemplo, submuestreo bicúbico de imágenes HR). Esto crea una brecha de dominio significativa cuando estos modelos se aplican a imágenes reales cross-sensor. Los datos de entrenamiento sintéticos no logran capturar las complejas propiedades espectrales, radiométricas y geométricas de los sensores reales, lo que conduce a un rendimiento inestable y a una potencial degradación de la calidad de la imagen al desplegarse en datos satelitales reales. Aunque los modelos basados en difusión han logrado resultados de vanguardia en la SR de imágenes naturales, su capacidad de generalización en este contexto específico de teledetección cross-sensor permanece mayormente sin cuantificar.

Metodología

Construcción del Conjunto de Datos

Los autores construyeron un conjunto de datos a gran escala, alineado geométrica y temporalmente, que comprende 175 regiones de EE. UU., emparejando imágenes de Sentinel-2 (10 m) y PlanetScope (3 m).

• Alineación: Los pares se adquirieron vía PlanetHub con alineación geométrica sub-píxel.
• Proximidad Temporal: Los pares se filtraron para minimizar la evolución de la escena, con la mayoría situándose dentro de una ventana de ±15 días.
• Alineación Espectral: Para asegurar la validez física, se seleccionaron seis bandas espectrales superpuestas (Azul Costero, Azul, Verde, Rojo, Borde Rojo, NIR) de ambos sensores, evitando la "alucinación" de información espectral.
• Configuraciones Experimentales: El estudio utilizó tres configuros distintos:
  1. Caso I (Línea Base Sintética): Entrenamiento y prueba sobre datos de PlanetScope degradados sintéticamente (PlanetLR → PlanetHR).
  2. Caso II (Cuantificación de la Brecha de Dominio): Entrenamiento en datos sintéticos de PlanetScope, pero prueba en datos reales de Sentinel-2 (SentinelLR → PlanetHR).
  3. Caso III (Mapeo Directo): Entrenamiento y prueba directamente en pares reales de Sentinel-2 a PlanetScope (SentinelLR → PlanetHR).

Modelos Evaluados

Se evaluaron cinco arquitecturas de SR basadas en difusión de vanguardia bajo condiciones idénticas utilizando un backbone U-Net unificado (30M de parámetros) para aislar los efectos de la formulación de difusión:

1. DDPM: Modelo probabilístico de difusión de eliminación de ruido estándar.
2. Flow Matching (FM): Un paradigma generativo determinista que aprende un campo vectorial.
3. Image-to-Image Schrödinger Bridge (I2SB): La traducción de fotogramas como un puente estocástico entre distribuciones.
4. ResShift: Reparametriza la cadena de Markov para desplazar los residuales entre imágenes HR y LR.
5. UniDB: Generaliza los puentes de difusión mediante el Control Óptimo Estocástico.

Métricas de Evaluación

El estudio empleó métricas estándar (PSNR, SSIM, LPIPS) e introdujo una métrica novedosa:

• LPIPSSat: Una métrica perceptual adaptada al dominio basada en un backbone ResNet-50 preentrenado de manera autosupervisada en datos RGB de Sentinel-2. A diferencia del LPIPS estándar (entrenado en ImageNet), LPIPSSat está diseñado para las características espectrales y texturales de las imágenes de observación de la Tierra.

Tarea de Aplicación (Downstream Task)

Para evaluar la utilidad práctica, las imágenes mejoradas por SR fueron evaluadas en una tarea de delimitación de cambios en áreas quemadas utilizando una U-Net entrenada con el conjunto de datos CaBuAr. Esto probó si los modelos de SR preservan la información relevante para la tarea o si introducen artefactos que obstaculizan la segmentación.

Resultados Clave

Desempeño Cuantitativo

• Éxito Sintético, Fracaso Real (Caso I vs. Caso II): Los modelos entrenados con datos sintéticos (Caso I) alcanzaron puntuaciones altas (PSNR > 45 dB). Sin embargo, al aplicarse a datos reales cross-sensor (Caso II), el desempeño colapsó catastróficamente. El PSNR cayó a ~16.7 dB, y las puntuaciones perceptuales indicaron que los modelos estaban degradando activamente la entrada al imponer prioris sintéticas (por ejemplo, nitidez tipo bicúbica) que no coinciden con la realidad física de los datos de Sentinel-2.
• Adaptación Limitada (Caso III): El entrenamiento directo con datos reales cross-sensor (Caso III) permitió una recuperación parcial del desempeño. Las métricas perceptuales mejoraron significfectivamente respecto al Caso II, pero los resultados siguieron estando muy por debajo de la línea base sintética (Caso I). La alta varianza en los datos del mundo real (debido a la iluminación y diferencias de sensores) dificultó la optimización consistente entre arquitecturas.
• Sensibilidad de la Métrica: LPIPSSat demostró ser más sensible a las discrepancias espectrales y estructurales que el LPIPS estándar, reflejando mejor los fallos en escenarios del mundo real.

Impacto en la Tarea de Aplicación

• Modelos Sintéticos (Caso II): Al usarse como paso de preprocesamiento para la tarea de áreas quemadas, los modelos entrenados sintéticamente proporcionaron mejoras modestas pero consistentes sobre la línea base, probablemente porque mejoran las características visuales sin introducir artefactos complejos específicos del dominio.
• Modelos del Mundo Real (Caso III): Los modelos entrenados con datos reales introdujeron "artefactos destructivos" y alucinaciones que degradaron el desempeño de la segmentación de la tarea. El objetivo dual de aprender simultáneamente la superresolución y la adaptación de dominio resultó inestable, produciendo salidas que eran menos útiles para la tarea específica que las entradas originales de baja resolución.

Contribuciones Clave

1. Cuantificación Sistemática: El primer estudio sistemático que cuantifica la brecha de generalización de sintético-a-real en la SR basada en difusión para teledetección, demostrando que el entrenamiento sintético no prepara a los modelos para los desafíos reales cross-sensor.
2. Métrica LPIPSSat: Introducción de una nueva métrica perceptual adaptada al dominio basada en características autosupervisadas de Sentinel-2, ofreciendo una evaluación más fiel de las imágenes de observación de la Tierra que las métricas genéricas.
3. Conjunto de Datos a Gran Escala: Construcción de un conjunto de datos emparejado, a gran escala y rigurosamente alineado de imágenes de Sentinel-2 y PlanetScope, permitiendo una evaluación rigurosa de la SR cross-sensor.

Significado y Reivindicaciones

El artículo argumenta que la dependencia actual del entrenamiento sintético para la SR satelital es una "limitación clave" del campo. Si bien el entrenamiento sintético ofrece una línea base estable, falla completamente cuando se transfiere a escenarios reales cross-sensor. Por el contrario, el entrenamiento directo con datos reales introduce dificultades de optimización y objetivos entrelazados (SR + adaptación de dominio) que resultan en salidas inestables y llenas de artefactos.

Los autores concluyen que el campo enfrenta un dilema: el entrenamiento sintético es estable pero de utilidad limitada, mientras que el entrenamiento en el mundo real es necesario para la adaptación pero actualmente es demasiado inestable para el despliegue práctico. Plantean que la investigación futura debe centrarse en desentrelazar la superresolución de la adaptación de dominio, sugiriendo que las arquitecturas actuales no pueden adaptarse plenamente a la diversidad física y radiométrica de los sensores reales sin nuevos enfoques metodológicos. El trabajo sirve como fundamento para desarrollar métodos de generalización cross-sensor robustos en lugar de simplemente mejorar las arquitecturas de los modelos.