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

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

本文探究了基于卷积神经网络进行遥感图像全色增色的各种不同架构和训练变化，提出了一种目标自适应使用模式，并开发了一种可在通用硬件上快速进行高质量 CNN 基础全色增色的软件工具。

Sep, 2017

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

通过研究一个玩具线性预测问题，我们发现变压器尽管具有高表达能力，但不能收敛于真实解，这是由于其注意力机制的低泛化能力。基于这一发现，我们提出了一种浅层轻量级变压器模型，在利用尖锐感知优化时能够成功逃离糟糕的局部最小值。我们通过实验证明这一结果在所有常用的多变量时间序列数据集上成立，并且 SAMformer 平均超过当前最先进模型 TSMixer 14.33%，同时参数数量仅为其四分之一。

Feb, 2024

本研究提出了一种名为 MSDCNN 的多尺度和多深度卷积神经网络用于遥感影像的 pan-sharpening 任务，该网络通过卷积神经网络的多尺度特征提取和残差学习来实现非线性关系的有效建模，实验结果表明，与其他先进方法相比，MSDCNN 可以获得质量更高的图像。

Dec, 2017

本研究提出了多通路结构的 Transformer 模型，实现局部到全局的多粒度特征推理，相较于现有的分层设计模型，在增加了极小的计算量的同时，在图像分类和语义分割任务上取得了显著的提高。

Jul, 2021

该研究提供了卫星影像的全面融合技术评估，重点关注光谱保真度和空间增强两个关键方面。通过建立一种新颖的级联结构评估框架，对现有方法进行了详细比较分析，结果显示在光谱精度提高 88% 的同时实现了空间分辨率的增强。研究揭示了融合技术在遥感应用中的实际意义，并强调了光谱和空间两个方面的重要性。通过系统地采用多种融合算法，对它们的性能进行了整体观察，有助于更深入地了解它们的能力和局限。

May, 2024

提出了一种新的深度学习方法，该方法在每个波段中通过基于先前波段调整的模型进行泛光锐化，适应性和灵活性都得到了改善，并且无需具有固定数量的光谱波段和大量昂贵的标记训练数据集。该方法在数据集上取得了非常好的结果，优于传统方法和深度学习方法。

Nov, 2023