Potato ist ein kompakter, datenorientierter Pansharpening‑Algorithmus, der mit einem CNN von weniger als 50 000 Parametern hochqualitative, farblich korrekte aufgehellte Satellitenbilder erzeugt und dabei auf menschlich wahrnehmbare Präzision abzielt. Im Folgenden werden die wichtigsten Merkmale des Projekts vorgestellt.
Grundprinzip des Pansharpenings
Das Verfahren kombiniert ein hochauflösendes panchromatisches Bild (grau) mit einem niedrigauflösenden farbigen RGB‑Bild. Ziel ist es, ein farbig‑scharfes Bild zu erzeugen, indem die beiden Quellen zusammengeführt werden.
Das Potato‑Projekt
Potato ist Open‑Source und frei für Nicht‑Kommerz‑Nutzung. Das GitHub‑Repository celoyd/potato enthält das komplette Modell, Dokumentation und Beispielskripte. Das Modell nutzt ein kleines CNN mit weniger als 50 000 Parametern – deutlich kleiner als die meisten Forschungsmodelle.
Farbmodell und Verlustfunktion
Die Eingabe besteht aus 5 sichtbaren Multispektral‑Bändern, die in den XYZ‑Farbraum und anschließend in oklab transformiert werden. Der Trainingsverlust ist pixel‑weise oklab ΔE, was eine farbliche Übereinstimmung mit gemessenem Licht statt rohen sRGB‑Kanälen gewährleistet.
Training und Daten
Potato integriert synthetische Sensorartefakte, um reale Hochauflösungsfehler zu simulieren. Es wird mit scenes‑referred Daten ohne Normalisierung trainiert.
Architektur und Visualisierung
Die komplette Modell‑Architektur ist im docs/-Ordner abbildbar und im README eingebettet. Diagramme verdeutlichen die klare Trennung von Pan‑ und RGB‑Inputs.
Dokumentation und weitere Infos
Der quickstart-Guide erleichtert die erste Nutzung. Der docs/-Ordner enthält Konzepte, technische Ansätze, CLI, Datencredits, Lizenz‑Informationen, Umwelt‑Auswirkungen und Beitrag‑Guidelines.
GitHub‑Statistiken
53 Sterne, 1 Fork, 15 offene Issues – das Projekt ist aktiv gepflegt.
Vergleiche & Tests
Potato‑Ausgaben werden mit Maxars eigenem Pansharpening (z. B. Chungthang, Sikkim) verglichen. Bilder sind unter CC BY‑NC (Maxar Open Data Program) lizenziert.
Lizenz & Datencredit
Der Code ist unter der jeweiligen Lizenz im Repo verfügbar. Bilddaten sind CC BY‑NC. Detaillierte Credits zu Maxar und Open‑Data‑Programmen stehen im README.
Umwelt‑Impact
Ein Abschnitt über „Environmental effects“ bietet einfache CO₂‑Berechnungen.
Weiterführende Fragen
- Wie trainiert Potato die Farbkorrektur aus multispektralen Bändern?
- Welche Vorteile bietet die Nutzung von oklab im Gegensatz zu sRGB bei Pan‑Sharpening?
- Wie integriert Potato synthetische Sensorartefakte in sein Training?
Quelle: https://github.com/celoyd/potato