Pansharpening的渐进式对齐退化学习

深度学习驱动的图像拼接已被证明能够有效生成高分辨率多光谱（HRMS）图像。为创建监督性HRMS图像地面真实值，常采用Wald协议生成的合成数据。该协议假设在人工低分辨率数据上训练的网络在高分辨率数据上表现同样良好。然而，经过充分训练的模型通常在降低分辨率数据集和全分辨率数据集之间存在性能权衡。在本文中，我们深入分析了Wald协议，发现其对真实退化模式的不准确逼近限制了深度图像拼接模型的泛化能力。为此，我们提出渐进式对齐退化模块（PADM），其利用两个子网络PAlignNet和PDegradeNet之间的相互迭代，以适应性方式学习准确退化过程，而无需依赖预定义算子。构建于此之上，我们引入HFreqdiff，将高频细节嵌入扩散框架中，并整合CFB和BACM模块，以实现频率选择性细节提取和精确逆过程学习。这些创新措施有效集成了高分辨率全色和多光谱图像，显著提升了空间锐度和图像质量。实验和消融研究表明，所提方法在性能上优于当前最先进技术。