遥感时空融合的深度学习十年：进展、挑战与机遇
计算机视觉与模式识别
2025-07-14 v2
摘要
遥感时空融合（STF）通过结合高时间分辨率-低空间分辨率与高空间分辨率-低时间分辨率的影像，解决了时间与空间分辨率之间的基本权衡问题。本文首次全面综述了过去十年间深度学习在遥感时空融合领域的进展。我们建立了一个系统的深度学习架构分类体系，包括卷积神经网络（CNN）、Transformer、生成对抗网络（GAN）、扩散模型和序列模型，揭示了深度学习在STF任务中应用的显著增长。我们的分析表明，基于CNN的方法在空间特征提取方面占主导地位，而Transformer架构在捕捉长距离时间依赖性方面表现出更优越的性能。GAN和扩散模型在细节重建方面展现出卓越的能力，在结构相似性和光谱保真度方面显著优于传统方法。通过在七个基准数据集上对十种代表性方法进行综合实验，我们验证了这些发现，并量化了不同方法之间的性能权衡。我们确定了五个关键挑战：时空冲突、跨数据集泛化能力有限、大规模处理的计算效率、多源异构融合以及基准多样性不足。本综述指出了基础模型、混合架构和自监督学习方法中的有前景的机遇，这些方法可能解决当前的局限性并实现多模态应用。本文中提到的具体模型、数据集和其他信息已收集在：https://github.com/yc-cui/Deep-Learning-Spatiotemporal-Fusion-Survey。
引用
@article{arxiv.2504.00901,
title = {A Decade of Deep Learning for Remote Sensing Spatiotemporal Fusion: Advances, Challenges, and Opportunities},
author = {Enzhe Sun and Yongchuan Cui and Peng Liu and Jining Yan},
journal= {arXiv preprint arXiv:2504.00901},
year = {2025}
}