Redes neuronales generativas adversarias para superresolución de modelos digitales de elevación.

Abstract

La superresolución propone mejorar la calidad de imágenes digitales al aumentar su resolución espacial y tiene aplicaciones en múltiples disciplinas como la medicina y la geografía (Greenspan, 2008; Wang et al., 2024). Este proyecto de grado aborda el problema de superresolución de Modelos Digitales de Elevación (DEM por sus siglas en inglés, digital elevation models), representados como imágenes de un solo canal, para incrementar su cantidad de puntos por unidad de superficie. El problema es especialmente relevante ya que la calidad de los DEMs suele estar limitada por la metodología utilizada para generarlos y por los altos costos asociados, que aumentan notablemente al incrementar la resolución (Ruiz et al., 2023). El enfoque adoptado utiliza redes neuronales generativas adversarias (GANs por sus siglas en inglés, generative adversarial networks) como método alternativo que tiene una alta eficiencia computacional y que alcanza una buena calidad de resultados (Goodfellow et al., 2014). Las GANs aplican aprendizaje profundo sobre grandes volúmenes de da- tos para aprender características complejas y reconstruir detalles finos que los métodos tradicionales (como los métodos basados en interpolación) no pueden captar. Se evalúan diferentes arquitecturas de GANs (SRGAN (Ledig et al., 2017), ESRGAN (Wang et al., 2019), DSRGAN (Demiray et al., 2021) y una variante de SRGAN (Zhang y Yu, 2022)) y se adaptan para mejorar la resolución espacial de los DEMs. Los resultados demostraron la aplicabilidad y eficacia de las GANs para la superresolución de DEMs, con mejoras significativas en métricas cuantitativas y cualitativas sobre métodos tradicionales utilizados para el problema. El modelo ESRGAN redujo en 66.4% el error absoluto medio (MAE por sus siglas en inglés, mean absolute error) comparado con el método tradicional de interpolación bilineal.