《International Journal of Applied Earth Observation and Geoinformation》：CartoSR: An attention-enhanced deep GANs for single map super resolution reconstruction
编辑推荐：
本文针对众源地图中空间分辨率低、细节丢失严重的问题，提出了一种融合局部判别学习（LDL）和生成对抗网络（GAN）的注意力增强型地图超分辨率重建模型CartoSR。该研究通过设计特征融合块（FFB）整合CNN的局部特征提取能力和ViT的全局依赖建模优势，结合像素级伪影识别机制，在CartoMark数据集上实现了2-3倍尺度下PSNR提升0.34-1.90dB的突破性进展，为地理空间信息深度挖掘提供了关键技术支撑。
当我们打开手机地图寻找路线时，或许不会想到那些精美的数字地图背后隐藏着一个技术难题——大量众包地图因文件大小限制、制图误差或图像质量问题，只能以低分辨率形态存在。这些"模糊版"地图就像打了马赛克的藏宝图，使得计算机难以识别其中的道路网、注记文字等关键地理要素。传统图像超分辨率技术在处理自然照片时表现出色，但面对符号化、结构化特征显著的地图时却显得力不从心，常常导致等高线断裂、注记变形等失真现象。
中国矿业大学环境与空间信息学院的研究团队在《International Journal of Applied Earth Observation and Geoinformation》上发表了一项突破性研究，提出名为CartoSR的创新解决方案。该研究首次将生成对抗网络与局部判别学习机制相结合，专门针对地图超分辨率重建（SMSR）的特殊需求进行优化。与普通图像不同，地图每个元素都承载着精确的地理意义，既需要保持全局空间关系，又要还原局部细节特征。研究团队通过设计特征融合块（FFB）模块，巧妙平衡了卷积神经网络（CNN）的局部特征提取能力和视觉Transformer（ViT）的全局依赖建模优势，如同给AI模型配备了"双焦镜头"，使其既能把握地图整体格局，又能精细重建每个地图符号。
在技术方法上，研究团队构建了包含生成器、判别器和局部判别学习的三模块架构。生成器基于改进的mapSR框架，通过浅层特征提取、深度特征融合和地图重建三个步骤实现低分辨率到高分辨率的映射；判别器采用相对平均GAN（RaGAN）结构进行真伪判别；局部判别学习模块则创新性地提出三类区域划分策略（A/B/C型），针对性地消除GAN常见的伪影问题。研究采用CartoMark数据集中的670幅地图样本，通过旋转、裁剪等数据增强手段扩展至29,205个训练样本，使用Adam优化器进行多周期训练，并采用PSNR、SSIM和LPIPS多项指标进行量化评估。
研究结果方面，在2倍超分辨率重建任务中，CartoSR相比主流模型EDSR、RCAN等实现PSNR平均提升0.39-1.41dB，SSIM达到0.9714。视觉对比显示该模型能有效保持等高线的连贯性和注记文字的清晰度。3倍超分辨率重建任务中，CartoSR在保持地图要素结构完整性方面表现尤为突出，相比基线模型PSNR提升最高达1.90dB。消融实验证实，局部判别学习模块能使LPIPS指标改善24.82%-26.84%，显著提升视觉感知质量。特别值得关注的是，研究提出的预训练策略成功解决了GAN训练不稳定的难题，使模型在保持纹理细节的同时将伪影减少了31.6%。
该研究的创新之处在于首次建立了针对地图特性的超分辨率重建理论框架，通过区域自适应处理机制解决了GAN模型在地理空间数据应用中的共性难题。研究成果不仅为历史地图数字化修复提供了新工具，更为实时导航、国土监测等需要高精度地图的应用场景提供了技术支撑。研究团队指出，未来将进一步探索4倍以上大尺度超分辨率重建，并重点攻关地图文字注记的智能增强技术，推动地理人工智能向更精细化、专业化方向发展。
