用于单次全色锐化的两阶段随机交替框架
计算机视觉与模式识别
2025-05-19 v2 人工智能
摘要
深度学习显著推动了全色锐化的发展，实现了令人印象深刻的融合质量。然而，一个普遍的限制是，传统的深度学习模型通常依赖训练数据集，在面对未见过的真实图像对时往往表现出次优的泛化能力。这限制了它们在面对训练数据集中未包含的真实场景时的实际应用。为了克服这一问题，我们提出了一种两阶段随机交替框架（TRA-PAN），用于对任意给定的多光谱(MS)/全色(PAN)图像对进行实例特定优化，确保鲁棒且高质量的融合。TRA-PAN有效地将降分辨率图像的强监督约束与全分辨率图像的物理特性相结合。第一阶段引入了一个预训练过程，包括退化感知建模(DAM)以捕获光谱退化映射，以及一个预热过程，旨在减少训练时间并缓解降分辨率数据的不利影响。第二阶段采用随机交替优化(RAO)，在降分辨率图像和全分辨率图像之间随机交替，逐步优化融合模型。这种自适应的、每实例优化策略以单次方式处理每对MS/PAN图像，生成高质量的高分辨率多光谱图像。实验结果表明，TRA-PAN在定量指标和真实场景中的视觉质量上均优于最先进(SOTA)方法，突显了其增强的实际适用性和鲁棒性。
引用
@article{arxiv.2505.06576,
title = {Two-Stage Random Alternation Framework for One-Shot Pansharpening},
author = {Haorui Chen and Zeyu Ren and Jiaxuan Ren and Ran Ran and Jinliang Shao and Jie Huang and Liangjian Deng},
journal= {arXiv preprint arXiv:2505.06576},
year = {2025}
}