本文提出 PSGAN，一种基于深度神经网络的遥感图像全色增强方法，旨在生成高质量的全色增强图像。通过试验和分析，它优于目前的主要解决方案，并且可以很好地推广到全尺寸图像。

May, 2018

本文提出一种基于流的 PanFlowNet 网络，通过学习给定 LRMS 图像和 PAN 图像的 HRMS 图像的条件分布，来生成多样的高分辨率多光谱图像。实验结果表明，与其他现有方法相比，PanFlowNet 在可视化和定量方面具有更好的性能。

May, 2023

本文介绍了一种无监督的 Pansharpening 方法，通过结合扩散模型和低秩矩阵分解技术，将高分辨率全色（PAN）图像和低分辨率多光谱（LRMS）图像进行合并，以创建一张高分辨率多光谱（HRMS）图像。实验结果表明，该方法比传统基于模型的方法表现更佳，并且比基于深度学习的技术具有更好的泛化能力。

May, 2023

本文提出了一种新的自监督学习框架，将 Pansharpening 看作是一个彩色化问题，并在模型训练中引入噪声注入和对抗性训练，通过提高神经网络的分辨率实现卫星图像 Pansharpening 的高质量输出。

Jun, 2020

提出了使用高分辨率多场景数据集 PanBench 和级联多尺度融合网络（CMFNet）进行高保真度的 Pansharpening，通过对 CMFNet 进行大量实验证实其有效性，并开放了数据集、源代码和预训练模型以促进遥感领域的进一步研究。

Nov, 2023

本文提出了一种基于模型的深度全色增强方法，通过将两个优化问题分别用于全色图像和低分辨率多光谱图像的生成模型，再使用梯度投影算法求解，最后通过交替堆叠两个网络块构建了一种新的网络，称为梯度投影全色增强神经网络，实验结果表明该网络在不同类型的卫星数据集上表现优于现有方法。

Mar, 2021

本文提出了一种基于 Transformer 模型的卫星图像融合方法，探究 Transformer 在图像特征提取与融合中的潜力，并通过 GaoFen-2 和 WorldView-3 图像的实验表明其在卫星图像融合中具有巨大潜力和性能优势，并超越了许多现有的基于 CNN 的方法。

Mar, 2022

本文提出了一种新的 pansharpening 注意机制，名为 HyperTransformer，它通过在变压器中将 LR-HSI 和 PAN 的特征分别制定为查询和键来改善生成的 HSI 的空间和光谱质量，实现了跨特征空间依赖和 PAN 和 LR-HSI 的长距离详细信息学习，并在三个常用数据集上取得了显著的改进。

Mar, 2022

本文报道了一种名为 LGTEUN 的可解释深度学习网络来提高低分辨率多光谱图像。该网络基于迭代算法，并使用 Local-Global Transformer 模块来同时建模局部和全局依赖关系，从而提高图像的分辨率和降噪水平。实验结果表明，LGTEUN 相对于现有的方法具有更高的效果和效率。

Apr, 2023

最近几年，深度学习在多分辨率图像泛光提升中起着主导作用。本文提出了一种基于深度学习的全分辨率训练框架，通过定义适当的损失函数和训练方法，充分发挥了这种方法的潜力，提供了先进的性能。实验证明，该方法在数值结果和视觉输出方面与现有技术相比具有显著优势。

Jul, 2023