高光谱图像拼接: 关键评述、工具与未来展望

高光谱图像拼接由此将高分辨率平行光谱波段与低分辨率光谱图像融合, 以获得在空间与光谱域均具备高分辨率的新图像。这些遥感产品因其广泛的应用价值, 而推动着日益增长的研究努力。然而, 结果仍未满足应用需求。部分原因在于该任务的技术复杂度: 相较于多光谱图像拼接, 涉及的光谱波段更多, 且光谱范围仅部分被平行光谱成分覆盖, 且噪声压倒性。另一个主要限制因素是缺乏用于快速开发和准确评估新方法的综合框架。本文旨在解决此问题。我们首先设计了一个足够大且足够多样化的数据集, 以便可靠地训练（数据驱动方法）和测试新方法。随后, 我们挑选了一组具有前景的状态方法, 遵循不同方法, 并在单一的 PyTorch 框架中重新实现。最后, 我们对所有方法进行批判性比较分析, 使用最具权威性的质量指标。分析结果揭示了当前解决方案在光谱/空间质量和计算效率方面的主要局限性, 并指出了有前景的研究方向。为确保结果完全可复现并支持未来研究, 我们在 https://github.com/matciotola/hyperspectral_pansharpening_toolbox 上共享该框架（包括代码、评估程序和数据集链接），作为单一的 Python 基于参考基准工具箱。