Super-resolución de imágenes satelitales usando GAN

Abstract

Las imágenes satelitales suelen presentar limitaciones en su resolución espacial y, en muchos casos, altos costos de adquisición, lo que restringe su uso en aplicaciones como el monitoreo urbano, la gestión territorial y el estudio de fauna. Este trabajo propone un enfoque innovador que aprovecha imágenes aéreas de alta resolución para entrenar un modelo de super-resolución basado en Redes Generativas Adversarias. En particular, se adapta el modelo ESRGAN (Enhanced Super-Resolution Generative Adversarial Network), optimizando sus parámetros con el fin de mejorar su eficiencia computacional y reducir los tiempos de entrenamiento. El modelo entrenado con imágenes aéreas se evalúa posteriormente sobre recortes satelitales de baja resolución, analizando su desempeño en factores de escala x2 y x4 mediante métricas estructurales, perceptuales y cromáticas (SSIM-Y, MS-SSIM, LPIPS y CIEDE2000). Los resultados muestran mejoras visuales claras, con mayor nitidez, mejor definición de bordes y una recuperación coherente de estructuras urbanas y elementos del terreno. Cuantitativamente, la escala x2 alcanza los valores más altos, mientras que la escala x4 mantiene un rendimiento estable y útil para aplicaciones prácticas. Estos hallazgos demuestran la viabilidad de transferir la capacidad de super-resolución desde imágenes aéreas hacia imágenes satelitales, incluso bajo diferencias espectrales y geométricas entre dominios. En conjunto, este trabajo establece una base sólida para el desarrollo de modelos de super-resolución satelital de bajo costo y alto impacto, y abre futuras líneas de investigación orientadas a ampliar los datos de entrenamiento, incorporar técnicas de domain adaptation y explorar arquitecturas específicas para sensores satelitales.

Satellite images often have limitations in terms of spatial resolution and, in many cases, high acquisition costs, which restricts their use in applications such as urban monitoring, land management, and wildlife studies. This work proposes an innovative approach that uses high-resolution aerial images to train a super-resolution model based on Generative Adversarial Networks. In particular, the ESRGAN (Enhanced Super-Resolution Generative Adversarial Network) model is adapted, optimizing its parameters in order to improve its computational efficiency and reduce training times. The model trained with aerial images is then evaluated on low-resolution satellite clips, analyzing its performance at x2 and x4 scale factors using structural, perceptual, and chromatic metrics (SSIM-Y, MS-SSIM, LPIPS, and CIEDE2000). The results show clear visual improvements, with greater sharpness, better edge definition, and consistent recovery of urban structures and terrain features. Quantitatively, the x2 scale achieves the highest values, while the x4 scale maintains stable and useful performance for practical applications. These findings demonstrate the feasibility of transferring super-resolution capability from aerial images to satellite images, even under spectral and geometric differences between domains. Overall, this work establishes a solid foundation for the development of low-cost, high-impact satellite super-resolution models and opens up future lines of research aimed at expanding training data, incorporating domain adaptation techniques, and exploring specific architectures for satellite sensors.