摘要

近年来，数据融合技术再度受到广泛关注，尤其是全色锐化（pansharpening）技术，这主要得益于从基于模型的方法向数据驱动方法的范式转变，而这一转变得到了深度学习技术近期发展的有力支持。尽管已有大量用于全色锐化的卷积神经网络（CNN）被提出，但仍存在一些根本性问题亟待解决。其中，跨尺度与跨数据集的泛化能力尤为紧迫，因为目前大多数网络均在低分辨率（降采样）条件下进行训练，且通常仅在特定数据集上表现良好，而在其他数据集上则性能显著下降。近期一项尝试通过引入一种基于目标自适应推理机制的方法，结合适当的全分辨率损失函数，以同时应对上述两个挑战。然而，该方法因需额外的适应阶段，导致计算开销显著增加。本文提出了一种改进方案，设计了一种高效的自适应推理机制，可在平均不损失精度的前提下，将推理时间降低约十倍。在GeoEye-1、WorldView-2和WorldView-3三个不同数据集上开展的广泛实验表明，该方法在保持与当前最优模型（包括基于模型和深度学习方法）相当甚至更优的精度水平的同时，显著提升了计算效率。此外，所提出方法的通用性也得到了验证，其自适应框架可成功应用于多种不同的CNN模型。