本研究比较了基于高光谱数据的新型泛光谱技术和一些适用于高光谱数据的多光谱泛光谱技术的方法，并通过广泛使用的性能指标评估了它们的有效性和鲁棒性，并提供一个MATLAB工具箱供社区使用。

Apr, 2015

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

本文提出了一种基于生成对抗网络和快速引导滤波器的全色融合技术，通过替代传统的通道拼接方法，保留了空间信息并减少了参数数量，在融合过程中可以突出关键信息。同时，经过对抗训练，特征的潜在信息得以有效保留，并生成了高质量的高分辨率多光谱图像。

Dec, 2020

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

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

本研究解决了高分辨率全色图像与低分辨率多光谱或超光谱图像融合的挑战。提出了一种新颖的基于变分形式的深度展开方法，通过使用多头注意残差网络来利用图像自相似性，显著提高了融合图像的质量和通用性。实验结果显示，该方法在不同传感器配置下表现优越，有潜力在遥感图像处理领域产生重大影响。

Sep, 2024

本研究解决了在小规模数据集上进行图像融合（pansharpening）任务中面临的数据集规模和性能限制问题。提出的PanAdapter方法通过两阶段的训练策略和局部先验提取模块，有效利用预训练模型的高级语义信息，显著提升了图像融合的性能。实验证明，该方法在多个基准数据集上达到最先进的成果，展示了其在小数据集上的巨大潜力。

Sep, 2024