G-ZAP：用于任意尺度图像复合的通用零样学习框架
计算机视觉与模式识别
2026-03-17 v1
摘要
图像复合旨在融合高分辨率色隅（PAN）图像和低分辨率多光谱（LRMS）图像，以产生高分辨率多光谱（HRMS）图像。最近的深度模型已取得强大的性能，但通常依赖大规模预训练，并且在面对未见的真实图像对时往往难以获得良好的泛化。先前的零样方法改进了现实场景下的泛化，但需要逐图像优化，阻碍了权重重用，且上述方法通常局限于固定尺度。为此，我们提出了G-ZAP，一个用于任意尺度图像复合的通用零样学习框架，旨在处理跨分辨率、跨场景和跨传感器的泛化。G-ZAP采用基于特征的隐式神经表示（INR）融合网络作为主干，并引入多尺度、半监督训练方案，以实现稳健的泛化。在多个真实数据集上的大量实验表明，G-ZAP在PAN尺度融合方面在视觉质量和定量指标上均实现了最先进的效果。值得注意的是，G-ZAP支持跨图像对的权重重用，同时保持与逐对重新训练的竞争力，显示出强大的实际部署潜力。
引用
@article{arxiv.2603.14412,
title = {G-ZAP: A Generalizable Zero-Shot Framework for Arbitrary-Scale Pansharpening},
author = {Zhiqi Yang and Shan Yin and Jingze Liang and Liang-Jian Deng},
journal= {arXiv preprint arXiv:2603.14412},
year = {2026}
}