机器学习修复火星探测器缺失波段：HiPredict 重建 HiRISE 彩色影像

火星勘测轨道飞行器（MRO）上的高分辨率成像科学实验（HiRISE）相机，以 25–30 厘米/像素的分辨率持续拍摄火星表面，是研究火星地质、气候历史和着陆点选址的核心数据来源。但设备老化带来的数据缺失问题正变得日益严峻。一篇新论文提出的 HiPredict 框架，用机器学习重建了失效探测器对应的 RED4 光谱通道，为行星探测数据的"延寿"提供了可复用的思路。

探测器故障与 SYN4 的局限

HiRISE 的焦平面组件包含 14 个探测器，其中若干重叠探测器使其能够获取三通道彩色红外影像，这对识别成分差异和研究活跃表面过程至关重要。2023 年，位于焦平面中心的一个探测器（RED4）开始间歇性失效，导致影像出现缺口，仪器的彩色成像能力减半。

现有的处理流程采用一种线性方案：将同位置的近红外通道（IR10）线性缩放，生成合成红色通道（SYN4）。问题在于，颜色通道之间实际存在非线性关系，线性缩放无法捕捉这些关系，精度和应用范围都受到限制。据论文数据，SYN4 的归一化平均绝对误差为 3.1%，在需要精细色彩判读的场景中并不够用。

HiRISE 的焦平面由 14 个 CCD 探测器拼接而成，相邻探测器在空间上存在重叠区域，因此同一地表区域会同时被多个探测器以不同滤光片成像。这种冗余设计是 HiRISE 能同时获取三个可见光—近红外波段（蓝绿、红、近红外）的前提：每个波段并非由单一探测器覆盖整个幅宽，而是由多个探测器分工并拼接。RED4 位于焦平面中心，其失效不仅造成影像缺口，还直接破坏了红色通道与近红外通道之间的配对关系，使彩色合成无法按原方案完成。理解这一硬件布局，有助于理解为何重建必须依赖邻近通道而非简单插值。

HiPredict 如何重建 RED4

HiPredict 的核心思路是把缺失通道的重建转化为一个多输入的学习问题。模型的输入包括四类信息：同位置的 IR10 影像、蓝绿通道（BG12）影像、邻近的红色通道观测，以及采集元数据。网络采用 U-Net 架构，学习这些输入与目标通道之间的非线性时空—光谱关系。

训练规模相当可观：81,717 个训练样本，对应 13,625 次观测。评估则在 23,348 个测试样本上进行，这些样本来自 3,892 次故障发生前的观测——用故障前的真实数据作为基准，使评估结果具有实际参考价值。最终 HiPredict 的归一化平均绝对误差为 1.1%，显著优于 SYN4 的 3.1%。

U-Net 是一种编码器—解码器结构的卷积神经网络，最初用于生物医学图像分割。其编码器逐级下采样提取多尺度特征，解码器再上采样恢复空间分辨率，并通过跳跃连接将编码器的高分辨率特征直接拼接到解码器对应层，从而在输出中保留精细的空间细节。这种结构只需要相对较少的训练样本就能取得良好效果，因此也被广泛用于图像到图像的转换任务，例如去噪、超分辨和缺失波段重建。在本例中，U-Net 的跳跃连接有助于将 IR10 与 BG12 的空间结构信息传递到重建的 RED4 通道上，避免生成结果过度平滑而丢失地质细节。

重建效果与科学价值

误差数字之外，更值得关注的是重建产品在实际科学判读中的表现。论文指出，重建后的影像改善了彩色图像的恢复质量，更接近真实地呈现了若干感兴趣的地质特征，包括含冰陨石坑、沿山脊顶部出露的地层，以及氯化物沉积。

这些特征恰恰是颜色判读最敏感的対象——冰与沉积物的色调差异、地层边界的色彩变化，都依赖通道间细微的非线性关系。线性缩放的 SYN4 在这些场景中会丢失信息，而学习到的非线性映射能够保留更多细节。这也解释了为什么作者强调该方法的"适用性"而不只是精度提升。

对老化的行星任务意味着什么

这项工作的意义超出了单一探测器的修复。行星任务的设计寿命往往远短于实际服役时间，随着设备自然退化，数据缺失会逐步累积。HiPredict 展示了一条路径：用同一仪器内其他通道的信息加上机器学习，补偿失效部件造成的信息损失。

论文将 HiPredict 作为开源软件工具发布，这意味着其他任务团队可以借鉴这一框架处理类似的通道缺失问题。当然，这种方法的边界也值得注意——它依赖同位置其他通道和邻近观测的存在，对于彻底失去冗余信息的场景并不适用。但从"减少数据损失"的角度看，这已经是一个有实际部署价值的方案。

常见问题

HiPredict 与传统插值方法有何不同？

传统方法如 SYN4 依赖线性缩放，无法建模通道间的非线性关系；HiPredict 用 U-Net 学习时空—光谱的非线性映射，误差从 3.1% 降至 1.1%。

该方法能否用于其他行星探测任务？

框架本身具有通用性，但需要目标仪器存在同位置的其他光谱通道和邻近观测作为输入。作者已开源工具，便于其他团队适配。

重建影像会引入伪影吗？

论文以故障前的真实观测为测试基准进行评估，重建产品在含冰陨石坑、地层和氯化物沉积等特征上更接近真实影像，但仍属于合成数据，科学使用时应结合置信度判断。