近期，中国科学院合肥物质院智能所谢成军与张洁团队在计算机视觉领域TOP国际期刊IEEE Transactions on Circuits and Systems for Video Technology.(IEEE TCSVT)上发表题为“Frequency decoupled domain-irrelevant feature learning for Pan-sharpening”的学术论文，该研究提出了一种全新的频域无关特征学习框架，为多源异构遥感图像的统一表征与自适应融合提供了新的解决方案。
遥感图像全色锐化是遥感图像处理方向的核心技术，它通过融合高分辨率的全色图像和低分辨率的多光谱图像，从而生成细节更加丰富、视觉清晰度更高的高分辨率多光谱遥感图像。这项技术在提升光学遥感卫星的空间分辨率与光谱分辨率平衡方面具有重要应用价值，然而，现有的遥感图像全色锐化方法在面对分布外数据时通常会出现显著的性能下降，原因在于其假设训练集和测试集的数据分布相同。
为克服上述挑战，研究团队提出了全新的频域无关特征学习框架。该方法通过分析图像幅值与相位分量中的域无关信息分布，利用频率信息分离模块和可学习的高频滤波器来对图像信息进行解耦，再将这些信息输入专门设计的子网络进行学习。最终，经过信息融合与恢复模块的动态特征通道权重调整，生成高质量的融合图像。在多个公开数据集上的跨场景测试结果表明，该方法在泛化性能方面表现优越，能够有效应对不同数据分布的挑战。通过在WorldView-III数据集上训练，并将其泛化到其他数据集进行测试，该方法不仅在训练数据集上保持了卓越的表现，且在泛化数据集上相比次优方法，分别在WorldView-II和GaoFen-2数据集上取得了1.46 dB和4.97 dB的峰值信噪比（PSNR）提升。此外，视觉效果的对比验证了该框架在域无关信息提取和学习上的有效性，能够在数据分布存在显著差异的情况下，保持稳定的性能。这进一步证明了该方法在解决遥感图像全色锐化泛化问题中的重要价值。
该项工作得到了安徽省自然科学基金项目的资助。张洁副研究员和硕士生曹可为论文的共同第一作者。张俊、周满为论文的共同通讯作者。
文章链接：https://ieeexplore.ieee.org/document/10718360
图 1 基于频域解耦的遥感图像全色锐化域无关特征学习网络
图 2 可学习的高频滤波模块
表1 在WorldView-III数据集上训练的跨数据集实验
图 4 WorldView-II 数据集上的泛化实验结果
