Использование данных дистанционного зондирования, в частности оптико-электронных снимков местности, тесно связано с задачей визуализации полученных изображений с целью изучения и формирования документов. В силу ограниченной пространственной детальности таких снимков их отображение может характеризоваться низким визуальным качеством. Для компенсации недостатков отображения используются методы, обеспечивающие увеличение размеров изображения. Такие методы относятся к одной из трех групп: интерполяционные, реконструкционные и основанные на примерах. Интерполяционные методы просты и основаны на реконструкции изображения по имеющемуся шаблону. Реконструктивные методы используют априорную информацию о функции потери информации на изображении и пытаются компенсировать её влияние. Последняя группа методов использует алгоритмы машинного обучения для получения обратного преобразования на основе анализа большого количества пар соответствующих друг другу изображений с высокой и низкой детальностью. Выполненные исследования показали, что классические методы интерполяции, обеспечивающие получение приемлемых по качеству изображения результатов, характеризуются значительной вычислительной сложностью, что существенно проявляется при обработке изображений больших размеров. При этом существуют предпосылки к использованию алгоритмов машинного обучения (аппарата искусственных нейронных сетей) для решения задачи по реконструкции изображения, обеспечивающего снижение требований к затрачиваемым вычислительным ресурсам.
В рамках рассматриваемой задачи алгоритмы машинного обучения использовались для восстановления отображения пространства, содержащего изображения с низкой детальностью в пространство изображений с высокой детальностью. Пары таких изображений использовались для обучения сверточной нейронной сети и служили для оценивания ошибки при применении найденного отображения. Для практической реализации использовалась архитектура сверточной нейронной сети, для которой исходное изображение преобразуется к размеру выходного изображения. Сверточные слои обеспечивают извлечение карты признаков и её проецирование на пространство выходного изображения с последующим формированием изображения с высокой детальностью. Выполненные на основе реальных снимков экспериментальные исследования показали практическую применимость сверточной нейронной сети для улучшения пространственной детальности оптико-электронных снимков.