PAN-Crafter：学习用于 PAN 锐化的模态一致性对齐

PAN 锐化旨在将高分辨率全色（PAN）图像与低分辨率多光谱（MS）图像融合，以生成高分辨率多光谱（HRMS）输出。然而，由传感器放置、获取时间和分辨率差异引起的跨模态失配带来了一个根本性挑战。传统的深度学习方法假设完美的逐像素对齐，并依赖逐像素重建损失，在存在失配时会导致光谱失真、双边缘和模糊。为了解决这一问题，我们提出了 PAN-Crafter，这是一个模态一致性对齐框架，显式地缓解 PAN 和 MS 模态之间的失配间隙。其核心是模态自适应重建，使单个网络能够联合重建 HRMS 和 PAN 图像，并利用 PAN 的高频细节作为辅助自监督。此外，我们引入了跨模态对齐感知注意力，这是一种新颖的机制，能够将 MS 纹理双向对齐到 PAN 结构，反之亦然，从而实现跨模态的自适应特征细化。在多个基准数据集上的大量实验表明，我们的 PAN-Crafter 在所有指标上均优于最新的 SOTA 方法，且推理速度快 50.11$\times$，内存大小仅为 0.63$\times$。此外，它在未见过的卫星数据集上展现出强大的泛化性能，表明其在不同条件下的鲁棒性。