非注册光谱图像融合：解混、对抗学习与可恢复性
图像与视频处理
2026-04-02 v2 计算机视觉与模式识别
摘要
本文解决的是一对空间上非注册的高光谱图像(HSI)和多光谱图像(MSI)的融合问题，两者覆盖大致重叠的区域。HSI 具备高光谱但低空间分辨率，MSI 则恰恰相反。目标是将其互补信息整合，以提升HSI的空间分辨率和MSI的光谱分辨率。虽然高光谱-多光谱融合(HMF)已广泛研究，但非注册情况仍具有挑战性。许多现有方法仅关注MSI超分辨率，而不改变HSI。基于监督的深度学习方法用于HSI超分辨率，但依赖准确的训练数据，而这通常不可得。此外，理论分析大多针对注册情况，使非注册HMF的情形鲜有了解。本文提出一种无监督框架，以同时对MSI和HSI进行超分辨率。该方法将MSI的光谱解混用于超分辨率，同时采用潜空间对抗学习用于HSI超分辨率。在合理的生成模型下，本文为MSI和HSI的可恢复性提供了理论保证——据我们所知，这是首次针对非注册HMF提供此类洞见。该方法在半真实和真实HSI-MSI对上进行了验证，覆盖多种条件。
引用
@article{arxiv.2603.21510,
title = {Unregistered Spectral Image Fusion: Unmixing, Adversarial Learning, and Recoverability},
author = {Jiahui Song and Sagar Shrestha and Xiao Fu},
journal= {arXiv preprint arXiv:2603.21510},
year = {2026}
}