重新思考图像锐化：面向全分辨率泛化的新训练流程
计算机视觉与模式识别
2025-11-13 v3
摘要
图像锐化领域最近出现了 increasingly large and complex models 的趋势，这些模型通常在单个特定卫星数据集上训练。这种单数据集、单模型方法导致高计算开销和实际部署的不切实际。更严重的是，它忽视了一个核心挑战：从降低分辨率（RR）训练到现实世界的全分辨率（FR）数据的泛化性差。为此，我们挑战了这种范式。我们引入一种多任务训练策略，即在三个不同的卫星数据集（WV2、WV3 和 GF2）上同时训练单个紧凑模型。我们的实验表明，这种统一训练策略的主要优势是全分辨率泛化（QNR）在所有测试模型上的显著普遍提升，直接解决了这一被忽视的问题。这种范式本身也解决了单数据集单模型的挑战，我们提供了高度可复现、无依赖关系的代码以实现真正的可用性。最后，我们提出PanTiny，一个为这种新型健壮范式专门设计的轻量级框架。我们展示它实现了卓越的性能与效率平衡，证明原则性、简单性和健壮性在实际场景中优于粗暴的规模扩张。我们的工作主张整个社区应致力于创建高效、可部署且真正具有泛化性的图像锐化模型。代码已开源于 https://github.com/Zirconium233/PanTiny。
引用
@article{arxiv.2507.15059,
title = {Rethinking Pan-sharpening: A New Training Process for Full-Resolution Generalization},
author = {Ran Zhang and Xuanhua He and Li Xueheng and Ke Cao and Liu Liu and Wenbo Xu and Fang Jiabin and Yang Qize and Jie Zhang},
journal= {arXiv preprint arXiv:2507.15059},
year = {2025}
}