受欧拉启发的解耦神经算子用于高效变换
计算机视觉与模式识别
2026-04-15 v1 人工智能
摘要
变换旨在通过融合镰针（PAN）图像的空间纹理与低分辨率多光谱（LR-MS）图像的光谱信息，合成高分辨率多光谱（HR-MS）图像。虽然最近的深度学习方法，特别是扩散算子，都推动了性能的提升，但常常因其随机性和迭代抽样，遇及到光谱-空间模糊及计算成本高的问题。本文提出了受欧拉启发的解耦神经算子（EDNO），一种受物理启发的框架，将变换定义为频域中的连续函数映射。不同于常规的笛卡尔特征处理，EDNO利用欧拉公式将特征转换到极坐标系，实现了一种新颖的显式-隐式相互作用机制。具体而言，我们开发了欧拉特征交互层（EFIL），将融合任务解耦为两个专门模块：1）显式特征交互模块，采用线性加权方案模拟相位旋转以实现自适应几何对齐；2）隐式特征交互模块，采用前馈网络建模光谱分布以实现更佳的色彩一致性。EDNO在频域中工作，能够本质上捕获全局感受野，同时保持离散不变性。在三个数据集上的实验结果表明，EDNO在重量级架构中提供了更佳的效率-性能平衡。
引用
@article{arxiv.2604.12463,
title = {Euler-inspired Decoupling Neural Operator for Efficient Pansharpening},
author = {Anqi Zhu and Mengting Ma and Yizhen Jiang and Xiangdong Li and Kai Zheng and Jiaxin Li and Wei Zhang},
journal= {arXiv preprint arXiv:2604.12463},
year = {2026}
}