EFSANet：用于高光谱-多光谱图像融合的显式频率建模与风格感知对齐技术

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：EFSANet: Explicit Frequency Modeling and Style-Aware Alignment for Hyperspectral—Multispectral Image Fusion

　　

摘要：

低分辨率高光谱图像（LR-HSIs）与高分辨率多光谱图像（HR-MSIs）的融合是一种有效的重建高分辨率高光谱图像（HR-HSIs）的方法，对于遥感观测、土地覆盖分类和环境监测具有重要意义。近年来，基于深度学习的高光谱-多光谱融合方法取得了显著进展。然而，现有方法仍面临两个关键挑战：首先，光谱响应函数和空间分辨率的差异会导致显著的跨模态差异，这阻碍了特征的准确对齐和联合建模；其次，在深度特征提取和交互过程中，高频结构信息往往会减弱，导致重建图像的纹理模糊、边缘失真以及空间保真度降低。为了解决这些问题，本文提出了一种显式频率建模与风格感知对齐网络（EFSANet）用于高光谱和多光谱图像融合。该算法结合了频域增强、空间上下文建模和风格自适应校正技术，以减少跨模态差异并恢复精细的空间细节。具体而言，金字塔频率融合（PFF）模块明确分解多尺度频率分量并对其进行自适应加权以增强结构细节；细粒度频域协作（FFC）模块捕捉长距离空间依赖性并促进全局上下文交互；风格自适应细化（SAR）模块基于全局统计信息进行风格感知特征校正，从而减少模态间差异并提高光谱-空间一致性。在模拟数据和真实世界数据集上的广泛评估证实，所提出的EFSANet在保持精细空间细节和光谱一致性方面优于现有方法。