RAFNet：用于 Pansharpening 的区域感知融合网络

Pansharpening旨在通过融合低分辨率多光谱（LRMS）和高分辨率单光谱（PAN）图像生成高分辨率多光谱（HRMS）图像。虽然深度学习已推动该领域发展，但主流基于标准缩放点积注意力的频率方法存在二次计算复杂度，且未能利用遥感图像中固有的区域稀疏性。此外，现有空间增强策略通常采用静态卷积核，难以适应PAN和MS图像的复杂频率和区域变化。为解决这些瓶颈，我们提出一种Region-Aware Fusion（RAFNet）网络，协同建模空间和频率信息。具体而言，我们设计了Spatial Adaptive Refinement（SAR）模块，利用离散小波变换（DWT）进行方向频率分离和K-means聚类进行区域分区，实现区域特定自适应卷积核的动态构建，实现空间和频率自适应特征增强。此外，我们引入基于稀疏注意力机制的Clustered Frequency Aggregation（CFA）模块，由语义聚类指导，执行区域感知稀疏注意力策略，大幅减少计算冗余，确保高质量频率特征提取。此外我们将这些模块集成到渐进的多层空间频率网络架构中，以促进稳健的相互作用和准确的图像重建。广泛的实验在多个基准数据集上表明，所提出的RAFNet在减少和全分辨率评估方面均显著优于最先进的 Pansharpening 方法。代码可在 https://github.com/PatrickNod/RAFNet 查看。