Key points are not available for this paper at this time.
Pansharpening ist eine wichtige Technologie zur Gewinnung hochauflösender multispektraler (HRMS) Bilder durch die Fusion von niedrauflösenden multispektralen (LRMS) Bildern und hochauflösenden panchromatischen (PAN) Bildern. Obwohl viele Pansharpening-Modelle unter Ausnutzung der Deep Learning (DL) Technologie entstanden sind, besteht weiterhin ein dringender Bedarf, die Genauigkeit und Stabilität des Pansharpenings bei LRMS-Bildern mit komplexen Landbedeckungstypen weiter zu bewerten. Darüber hinaus übersehen diese Modelle oft die Ausnutzung der inhärenten Hochfrequenzinformation der PAN-Bilder. Um diese Probleme zu adressieren, schlagen wir ein Pansharpening-Modell vor, das Multi-Level- und Multi-Skalen-Netzwerkarchitekturen kombiniert. Die Multi-Level-Netzwerkarchitektur wird verwendet, um die räumlich-spektrale Abhängigkeit auf LRMS-PAN-Paaren aufzubauen und die Fähigkeit des Netzwerks zur Merkmalsaufnahme zu stärken, indem die mehrstufigen Texturdetails erhalten bleiben. Die Multi-Skalen-Architektur wird anschließend verwendet, um die räumliche Struktur und die tiefe Textur der PAN-Bilder auf verschiedenen Skalen zu extrahieren. Heruntergesampelte Experimente und reale Experimente in vier Standarddatensätzen zeigen, dass das vorgeschlagene Modell eine Spitzenleistung erreicht.
Li et al. (Fr,) haben diese Frage untersucht.