快速核空间扩散用于遥感图像 pansharpening

Pansharpening 旨在将高分辨率色差图像（PAN）和低分辨率多光谱图像（LRMS）融合为单一图像，既保留细微空间细节，又保留丰富的光谱信息。尽管深度学习方法取得了进展，但现有方法往往无法捕捉遥感数据分布中固有的全局先验。扩散模型因其强大的分布映射能力，最近被视为有前景的解决方案，但其推理延迟较大。我们引入 KSDiff，一种快速核空间扩散框架，用于生成富含全局上下文的卷积核，以提升 Pansharpening 质量并加速推理。具体而言，KSDiff 通过低秩核心张量生成器和统一因子生成器构建这些卷积核，由结构感知多头注意力机制协调。我们进一步引入针对 Pansharpening 的两阶段训练策略，便于集成到现有 Pansharpening 架构中。实验表明，KSDiff 在性能上优于最近的有前景方法，且推理速度比扩散模型 Pansharpening baseline 快超过 $500 \times$。消融研究、可视化和进一步评估均证明了本方法的有效性。代码将在可能接受后发布。