.png){kind=icon}
返回
A Deep-Learning-Embedded Sparse Variational Optimization Method for Hyperspectral and Multispectral Image Fusion
.png){kind=icon}
OA
AI
DOI：10.1109/jstars.2026.3715799.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高光谱与多光谱图像（HSI–MSI）融合旨在通过融合观测到的低分辨率HSI和高分辨率MSI来重构高空间分辨率HSI。尽管基于稀疏变分优化（VO）的方法提供了强大的物理可解释性，但其性能常因手工设计先验在建模复杂空间-光谱相关性方面的有限表示能力而受限。为解决此问题，我们提出了一种新颖的深度学习嵌入稀疏变分优化（DLSpVO）框架。通过将融合任务纳入光谱字典表示范式，我们引入了一种用于张量系数估计的双约束机制。具体而言，张量系数由深度神经网络参数化以引入深度隐式先验。同时，对张量系数施加了明确的$\ell_{1}$范数正则化项，以促进与底层线性光谱混合模型一致的稀疏表示。为求解所得模型，我们开发了一种基于乘子交替方向法的混合算法。该优化方案无缝集成了自监督零样本网络初始化策略以加速收敛，随后迭代优化深度网络参数和其他变量。在模拟和真实遥感数据集上的大量实验表明，所提出的DLSpVO在保持空间细节和光谱保真度方面始终优于当前最优的HSI–MSI融合方法。源代码将在稿件接受后公开提供。
Keyword:
Deep learning (DL)
hyperspectral image (HSI)
image fusion
remote sensing
variational optimization (VO) model
