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

该研究开发了一种名为SDRCNN的新型单分支、单规模轻量级卷积神经网络，用于对卫星传感器获取的不同分辨率多光谱图像信息进行融合处理，并与其他方法进行了比较，结果表明SDRCNN方法在处理时间、空间细节和光谱扭曲方面均表现优于比较方法。

Jul, 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

基于模型驱动的深度展开框架和图像推理先验的概念，通过嵌入空间掩蔽策略的预训练的自动编码器 (MAE) 和空间光谱掩蔽策略的正则化项，将图像推理先验融入到深度展开网络中，提高其解释性和表示能力，实现与全局学习过程和全局物理机制的显式集成，多种卫星数据集上的实验证明该方法优于现有的最先进方法。

Aug, 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

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

提出了一种名为CrossDiff的跨预测扩散模型，利用自我监督的表示学习方法进行卫星图像的泛光锐化，通过两阶段的训练并与其他方法比较，实验证明了该模型的有效性和优越性，同时验证了其在其他卫星数据集上的泛化能力。

Jan, 2024

通过零样本学习与变分优化方法相结合，提出了一种全新的Pansharpening方法，能够在没有配对训练数据的情况下实现高分辨率多光谱图像的合成。

Jul, 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