自回归与反馈驱动的自适应矩形卷积全色锐化网络

doi:10.7527/S1000-6893.2025.32432

航天遥感图像智能处理与分析专刊

本期目录 | 过刊浏览 | 高级检索

前一篇 |

自回归与反馈驱动的自适应矩形卷积全色锐化网络

段韶华¹^,², 张淳杰¹^,²(), 刘传凯³^,⁴, 郑晓龙⁵^,⁶, 张济韬³^,⁴

^1.北京交通大学计算机科学与技术学院信息科学研究所，北京 100044
^2.北京交通大学计算机科学与技术学院视觉智能交叉创新教育部国际合作联合实验室，北京 100044
^3.北京航天飞行控制中心，北京 100094
^4.航天飞行动力学技术重点实验室，北京 100094
^5.中国科学院自动化研究所多模态人工智能系统全国重点实验室，北京 100190
^6.中国科学院大学人工智能学院，北京 100190

收稿日期:2025-06-18 修回日期:2025-08-06 接受日期:2025-09-15 出版日期:2025-10-10 发布日期:2025-10-09
通讯作者: 张淳杰 E-mail:cjzhang@bjtu.edu.cn
基金资助:
国家自然科学基金(62476021);国家自然科学基金(72225011);国家自然科学基金(72434005);国家自然科学基金(62373034);多模态人工智能系统全国重点实验室开放课题(MAIS2024106);中央高校基本科研业务费专项资金(2025JBZX062)

AFAR-Net: Autoregressive and feedback-driven adaptive rectangular convolution network for pansharpening

Shaohua DUAN¹^,², Chunjie ZHANG¹^,²(), Chuankai LIU³^,⁴, Xiaolong ZHENG⁵^,⁶, Jitao ZHANG³^,⁴

^1.Institute of Information Science，School of Computer Science and Technology，Beijing Jiaotong University，Beijing 100044，China
^2.Visual Intelligence +X International Cooperation Joint Laboratory of Ministry of Education，School of Computer Science and Technology，Beijing Jiaotong University，Beijing 100044，China
^3.Beijing Aerospace Control Center，Beijing 100094，China
^4.Key Laboratory of Science and Technology on Aerospace Flight Dynamics，Beijing 100094，China
^5.State Key Laboratory of Multimodal Artificial Intelligence Systems，Institute of Automation，Chinese Academy of Sciences，Beijing 100190，China
^6.School of Artificial Intelligence，University of Chinese Academy of Sciences，Beijing 100190，China

Received:2025-06-18 Revised:2025-08-06 Accepted:2025-09-15 Online:2025-10-10 Published:2025-10-09
Contact: Chunjie ZHANG E-mail:cjzhang@bjtu.edu.cn
Supported by:
National Natural Science Foundation of China(62476021);Open Project of State Key Laboratory of Multimodal Artificial Intelligence Systems(MAIS2024106);Fundamental Research Funds for the Central Universities(2025JBZX062)

摘要/Abstract

摘要：

为提升遥感全色锐化任务中光谱信息的保真性和空间细节的恢复能力，提出一种基于编码-解码架构的深度全色锐化网络——自回归与反馈驱动的自适应矩形卷积网络（AFAR-Net）。该网络使用自回归机制，通过前一单元的预测结果优化当前单元，实现多级图像重建，其中反馈驱动融合模块被用于跨单元深度特征的高效融合，可有效提升光谱信息的一致性。同时，自适应卷积残差块可灵活调整卷积核规模与形状，增强网络对复杂空间结构的建模能力和恢复效果。通过设计轻量化融合头对多层级预测结果进行融合，从而提升最终重建结果的稳定性。在多个遥感数据集上的实验结果表明，所提网络在空间结构保持度、光谱角误差（SAM）和无参考图像质量指数（QNR）上均优于现有主流方法，展现出良好的泛化性和应用潜力。

关键词: 遥感图像, 全色锐化, 自回归, 自适应卷积, 深度学习

Abstract:

To enhance spectral fidelity and spatial detail restoration in remote sensing pansharpening tasks， this paper proposes a deep pansharpening network based on an encoder-decoder architecture， named the Autoregressive and Feedback-Driven Adaptive Rectangular Convolution Network for Pansharpening （AFAR-Net）. The proposed network employs an autoregressive mechanism， where the output of the previous unit is used to optimize the current one， enabling progressive multi-level image reconstruction. Meanwhile， a feedback-driven fusion module is designed to efficiently integrate deep features across units， thereby enhancing spectral consistency. On the other hand， an adaptive convolutional residual block is introduced to flexibly adjust kernel sizes and shapes， strengthening the network’s ability to model and restore complex spatial structures. Finally， a lightweight fusion head is utilized to aggregate multi-level predictions， improving the stability of reconstruction. Experimental results on multiple remote sensing datasets demonstrate that the proposed network outperforms existing mainstream approaches in terms of spatial distortion， Spectral Angle Mapper （SAM）， and the Quality with No Reference （QNR） index， showing strong generalization ability and application potential.

Key words: remote sensing image, pansharpening, autoregressive, adaptive convolution, deep learning

中图分类号:

段韶华, 张淳杰, 刘传凯, 郑晓龙, 张济韬. 自回归与反馈驱动的自适应矩形卷积全色锐化网络[J]. 航空学报, 2026, 47(10): 532432.

Shaohua DUAN, Chunjie ZHANG, Chuankai LIU, Xiaolong ZHENG, Jitao ZHANG. AFAR-Net: Autoregressive and feedback-driven adaptive rectangular convolution network for pansharpening[J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(10): 532432.

图/表 12

图 1

图 2

表 1

WV3数据集上的全色锐化性能评估（均值±标准差）

方法	低分辨率指标			全分辨率指标
方法	SAM	ERGAS	Q	$D λ$	$D S$	QNR
BDSD-PC^［32］	5.429±1.823	4.698±1.617	0.829±0.097	0.062 5±0.023 5	0.073 0±0.035 6	0.870±0.053
CVPR19^［35］	5.207±1.574	5.484±1.505	0.764±0.088	0.029 7±0.005 9	0.041 0±0.013 6	0.931±0.018
LRTCFPan^［36］	4.737±1.412	4.315±1.442	0.846±0.091	0.017 6±0.006 6	0.052 8±0.025 8	0.931±0.031
DiCNN^［24］	3.593±0.762	2.673±0.663	0.900±0.087	0.036 2±0.011 1	0.046 2±0.017 5	0.920±0.026
FusionNet^［40］	3.325±0.698	2.467±0.645	0.904±0.090	0.023 9±0.009 0	0.036 4±0.013 7	0.941±0.020
DCFNet^［25］	3.038±0.585	2.165±0.499	0.913±0.087	0.018 7±0.007 2	0.033 7±0.005 4	0.948±0.012
LAGConv^［27］	3.104±0.559	2.300±0.613	0.910±0.091	0.036 8±0.014 8	0.041 8±0.015 2	0.923±0.025
HMPNet^［41］	3.063±0.577	2.229±0.545	0.916±0.087	0.018 4±0.007 3	0.053 0±0.055 5	0.930±0.011
CMT^［26］	2.994±0.607	2.214±0.516	0.917±0.085	0.020 7±0.008 2	0.037 0±0.007 8	0.943±0.014
CANNet^［44］	2.930±0.593	2.158±0.515	0.920±0.084	0.019 6±0.008 3	0.030 1±0.007 4	0.951±0.013
ARConv^［28］	2.885±0.590	2.139±0.528	0.921±0.083	0.014 6±0.005 9	0.027 9±0.006 8	0.958±0.010
AFAR-Net	2.860±0.582	2.113±0.525	0.921±0.084	0.015 2±0.006 3	0.027 5±0.005 4	0.958±0.010

表 1

表 2

QB数据集上的全色锐化性能评估（均值±标准差）

方法	低分辨率指标			全分辨率指标
方法	SAM	ERGAS	Q	$D λ$	$D S$	QNR
BDSD-PC^［32］	8.089±1.980	7.515±0.800	0.831±0.090	0.197 5±0.033 4	0.163 6±0.048 3	0.672±0.058
CVPR19^［35］	7.998±1.820	9.359±1.268	0.737±0.087	0.049 8±0.011 9	0.078 3±0.017 0	0.876±0.023
LRTCFPan^［36］	7.187±1.711	6.928±0.812	0.855±0.087	0.022 6±0.011 7	0.070 5±0.035 1	0.909±0.044
DiCNN^［24］	5.380±1.027	5.135±0.488	0.904±0.094	0.094 7±0.014 5	0.106 7±0.021 0	0.809±0.031
FusionNet^［40］	4.923±0.908	4.159±0.321	0.925±0.090	0.057 2±0.018 2	0.052 2±0.008 8	0.894±0.021
DCFNet^［25］	4.512±0.773	3.809±0.336	0.934±0.087	0.046 9±0.015 0	0.123 9±0.026 9	0.835±0.016
LAGConv^［27］	4.547±0.830	3.826±0.420	0.934±0.088	0.085 9±0.023 7	0.067 6±0.013 6	0.852±0.018
HMPNet^［41］	4.617±0.404	3.404±0.478	0.936±0.102	0.183 2±0.054 2	0.079 3±0.024 5	0.753±0.065
CMT^［26］	4.535±0.822	3.744±0.321	0.935±0.086	0.050 4±0.012 2	0.036 8±0.007 5	0.915±0.016
CANNet^［44］	4.507±0.835	3.652±0.327	0.937±0.083	0.037 0±0.012 9	0.049 9±0.009 2	0.915±0.012
ARConv^［28］	4.430±0.811	3.633±0.327	0.939±0.081	0.038 4±0.014 8	0.039 6±0.009 0	0.924±0.019
AFAR-Net	4.427±0.811	3.597±0.324	0.938±0.084	0.043 0±0.016 3	0.033 8±0.017 6	0.925±0.030

表 2

表3

GF2 数据集上的全色锐化性能评估

方法	低分辨率指标			全分辨率指标
方法	SAM	ERGAS	Q	$D λ$	$D S$	QNR
BDSD-PC^［32］	1.681±0.360	1.667±0.445	0.892±0.035	0.075 9±0.030 1	0.154 8±0.028 0	0.781±0.041
CVPR19^［35］	1.598±0.353	1.877±0.448	0.886±0.028	0.030 7±0.012 7	0.062 2±0.010 1	0.909±0.017
LRTCFPan^［36］	1.315±0.283	1.301±0.313	0.932±0.033	0.032 5±0.026 9	0.089 6±0.014 1	0.881±0.023
DiCNN^［24］	1.053±2.231	1.081±0.254	0.959±0.010	0.036 9±0.013 2	0.099 2±0.013 1	0.868±0.016
FusionNet^［40］	0.974±2.212	0.988±0.222	0.964±0.009	0.035 0±0.012 4	0.101 3±0.013 4	0.867±0.018
DCFNet^［25］	0.872±0.169	0.784±0.146	0.974±0.009	0.024 0±0.011 5	0.065 9±0.009 6	0.912±0.012
LAGConv^［27］	0.786±0.148	0.687±0.113	0.981±0.008	0.028 4±0.013 0	0.079 2±0.013 6	0.895±0.020
HMPNet^［41］	0.803±0.141	0.564±0.099	0.981±0.020	0.081 9±0.049 9	0.114 6±0.012 6	0.813±0.049
CMT^［26］	0.753±0.138	0.648±0.109	0.982±0.007	0.022 5±0.011 6	0.043 3±0.009 6	0.935±0.014
CANNet^［44］	0.707±0.148	0.630±0.128	0.983±0.006	0.019 4±0.010 1	0.063 0±0.009 4	0.919±0.011
ARConv^［28］	0.698±0.149	0.626±0.127	0.983±0.007	0.018 9±0.009 7	0.051 5±0.009 9	0.931±0.012
AFAR-Net	0.683±0.147	0.610±0.129	0.984±0.006	0.027 7±0.026 4	0.037 5±0.010 6	0.936±0.020

表3

图 3

图 4

表 4

表 5

自回归机制与自适应矩形卷积残差块在WV3数据集上的消融实验结果（均值±标准差）

自回归机制	AR-RB	低分辨率指标			全分辨率指标
自回归机制	AR-RB	SAM	ERGAS	Q	$D λ$	$D S$	QNR
×	×	2.997±0.610	2.215±0.553	0.918±0.085	0.019 4±0.008 1	0.030 8±0.007 2	0.951±0.013
√	×	2.951±0.593	2.185±0.531	0.919±0.085	0.042 3±0.062 9	0.049 5±0.041 4	0.913±0.091
×	√	2.885±0.590	2.139±0.528	0.921±0.083	0.014 6±0.005 9	0.027 9±0.006 8	0.958±0.010
√	√	2.860±0.582	2.113±0.525	0.921±0.084	0.015 2±0.006 3	0.027 5±0.005 4	0.958±0.010

表 5

表 6

FD-FM在WV3数据集上的消融实验结果（均值±标准差）

FD-FM	低分辨率指标
FD-FM	SAM	ERGAS	Q
×	2.904 $±$ 0.594	2.141 $±$ 0.532	0.919 $±$ 0.086
√	2.860 $±$ 0.582	2.113 $±$ 0.525	0.921 $±$ 0.084

表 6

表 7

回归单元数量在WV3数据集上的消融实验结果（均值±标准差）

回归单元数量	低分辨率指标			全分辨率指标
回归单元数量	SAM	ERGAS	Q	$D λ$	$D S$	QNR
1	2.885±0.590	2.139±0.528	0.921±0.083	0.014 6±0.005 9	0.027 9±0.006 8	0.958±0.010
2	2.869±0.583	2.115±0.523	0.920±0.085	0.016 0±0.006 5	0.028 9±0.002 7	0.956±0.007
3	2.860±0.582	2.113± 0.525	0.921±0.084	0.015 2±0.006 3	0.027 5±0.005 4	0.958±0.010
4	2.870±0.583	2.121±0.527	0.920±0.086	0.015 2±0.006 1	0.029 1±0.004 4	0.956±0.009
5	2.871±0.582	2.123±0.525	0.920±0.086	0.014 6±0.005 9	0.028 9±0.003 5	0.957±0.008
6	5.801±1.862	7.160±1.878	0.617±0.101	0.023 8±0.006 9	0.081 6±0.031 7	0.897±0.036

表 7

图 5

参考文献 45

[1]	杜虓宇，王光辉，陆尘，等. 复杂城市环境下的资源三号遥感影像绿地提取［J］. 遥感学报， 2024， 28（11）： 2954-2969.
	DU X Y， WANG G H， LU C， et al. Green space extraction method from ZY-3 remote sensing images in complex urban environment［J］. National Remote Sensing Bulletin， 2024， 28（11）： 2954-2969 （in Chinese）.
[2]	SUN X， YIN D S， QIN F， et al. Revealing influencing factors on global waste distribution via deep-learning based dumpsite detection from satellite imagery［J］. Nature Communications， 2023， 14： 1444.
[3]	葛宏，王颖. 基于高光谱遥感数据的森林覆盖动态变化监测研究［J］. 测绘与空间地理信息， 2025， 48（5）： 116-119.
	GE H， WANG Y. Study on forest coverage dynamic change monitoring based on hyperspectral remote sensing data［J］. Geomatics & Spatial Information Technology， 2025， 48（5）： 116-119 （in Chinese）.
[4]	丛润民，孙豪言，罗宇轩，等. 基于类关系挖掘的遥感图像广义小样本分割方法［J］. 航空学报， 2025， 46（23）： 631694.
	CONG R M， SUN H Y， LUO Y X， et al. Generalized few-shot segmentation for remote sensing image based on class relation mining［J］. Acta Aeronautica et Astronautica Sinica， 2025， 46（23）： 631694 （in Chinese）.
[5]	ZHANG C J， LIU C K， DUAN S H， et al. Embodied cognitive intelligence guided Moon sample collection［J］. Innovation， 2025， 6（7）： 100939.
[6]	CHENG J， DENG C J， SU Y Z， et al. Methods and datasets on semantic segmentation for unmanned aerial vehicle remote sensing images： A review［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2024， 211： 1-34.
[7]	SUN X， WANG P J， YAN Z Y， et al. FAIR1M： A benchmark dataset for fine-grained object recognition in high-resolution remote sensing imagery［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2022， 184： 116-130.
[8]	SHEN H F， MENG X C， ZHANG L P. An integrated framework for the spatio-temporal-spectral fusion of remote sensing images［J］. IEEE Transactions on Geoscience and Remote Sensing， 2016， 54（12）： 7135-7148.
[9]	赵志威，付昱凯，杨树文. 一种粒子群优化脉冲耦合神经网络的全色锐化算法［J］. 航天返回与遥感， 2024， 45（5）： 51-63.
	ZHAO Z W， FU Y K， YANG S W. A multispectral and panchromatic image fusion algorithm based on particle swarm optimization and pulse-coupled neural network［J］. Spacecraft Recovery & Remote Sensing， 2024， 45（5）： 51-63 （in Chinese）.
[10]	ZHANG C J， BAI H H， ZHAO Y. Fine-grained image classification by class and image-specific decomposition with multiple views［J］. IEEE Transactions on Multimedia， 2023， 25： 6756-6766.
[11]	ZHANG C J， LIANG C， ZHAO Y. Exemplar-based， semantic guided zero-shot visual recognition［J］. IEEE Transactions on Image Processing， 2022， 31： 3056-3065.
[12]	ZHANG J， ZHANG X P， LIU S， et al. FIE-net： foreground instance enhancement network for domain adaptation object detection in remote sensing imagery［J］. IEEE Transactions on Geoscience and Remote Sensing， 2025， 63： 5620714.
[13]	ZOU Z X， SHI Z W. Ship detection in spaceborne optical image with SVD networks［J］. IEEE Transactions on Geoscience and Remote Sensing， 2016， 54（10）： 5832-5845.
[14]	LYU S C， ZHAO Q， SUN Y X， et al. Unsupervised domain adaptation for VHR urban scene segmentation via prompted foundation model-based hybrid training joint-optimized network［J］. IEEE Transactions on Geoscience and Remote Sensing， 2025， 63： 4409117.
[15]	CHEN K Y， LIU C Y， CHEN H， et al. RSPrompter： Learning to prompt for remote sensing instance segmentation based on visual foundation model［J］. IEEE Transactions on Geoscience and Remote Sensing， 2024， 62： 4701117.
[16]	SUN X， TIAN Y， LU W X， et al. From single-to multi-modal remote sensing imagery interpretation： A survey and taxonomy［J］. Science China Information Sciences， 2023， 66（4）： 140301.
[17]	CARPER W J， LILLESAND T M， KIEFER R W. The use of intensity-hue-saturation transformations for merging SPOT panchromatic and multispectral image data［J］. Photogrammetric Engineering and Remote Sensing， 1990， 56： 457-467.
[18]	KWARTENG P， CHAVEZ A. Extracting spectral contrast in landsat thematic mapper image data using selective principal component analysis［J］. Photogrammetric Engineering & Remote Sensing， 1989， 55（1）： 339-348.
[19]	KING R L， WANG J. A wavelet based algorithm for pan sharpening Landsat 7 imagery［C］∥IEEE 2001 International Geoscience and Remote Sensing Symposium. Piscataway： IEEE Press， 2001： 849-851.
[20]	徐欣钰，李小军，盖钧飞，等. 结合NSCT变换和引导滤波的多光谱图像全色锐化算法［J］. 自然资源遥感， 2025， 37（1）： 24-30.
	XU X Y， LI X J， GE J F， et al. A multispectral image pansharpening algorithm based on nonsubsampled contourlet transform （NSCT） combined with a guided filter［J］. Remote Sensing for Natural Resources， 2025， 37（1）： 24-30 （in Chinese）.
[21]	PALSSON F， SVEINSSON J R， ULFARSSON M O. A new pansharpening algorithm based on total variation［J］. IEEE Geoscience and Remote Sensing Letters， 2014， 11（1）： 318-322.
[22]	WANG T T， FANG F M， LI F， et al. High-quality Bayesian pansharpening［J］. IEEE Transactions on Image Processing， 2019， 28（1）： 227-239.
[23]	YANG J F， FU X Y， HU Y W， et al. PanNet： a deep network architecture for pan-sharpening［C］∥2017 IEEE International Conference on Computer Vision （ICCV）. Piscataway： IEEE Press， 2017： 1753-1761.
[24]	HE L， RAO Y Z， LI J， et al. Pansharpening via detail injection based convolutional neural networks［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2019， 12（4）： 1188-1204.
[25]	WU X， HUANG T Z， DENG L J， et al. Dynamic cross feature fusion for remote sensing pansharpening［C］∥2021 IEEE/CVF International Conference on Computer Vision （ICCV）. Piscataway： IEEE Press， 2022： 14667-14676.
[26]	SHU W J， DOU H X， WEN R， et al. CMT： cross modulation transformer with hybrid loss for pansharpening［J］. IEEE Geoscience and Remote Sensing Letters， 2024， 21： 5004405.
[27]	JIN Z R， ZHANG T J， JIANG T X， et al. LAGConv： local-context adaptive convolution kernels with global harmonic bias for pansharpening［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2022， 36（1）： 1113-1121.
[28]	WANG X Y， ZHENG Z X， SHAO J D， et al. Adaptive rectangular convolution for remote sensing pansharpening［C］∥2025 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2025： 17872-17881.
[29]	GILLESPIE A R， KAHLE A B， WALKER R E. Color enhancement of highly correlated images Ⅱ： Channel ratio and “chromaticity” transformation techniques［J］. Remote Sensing of Environment， 1987， 22（3）： 343-365.
[30]	MAURER T. How to pan-sharpen images using the gram-Schmidt pan-sharpen method-a recipe［J］. The International Archives of the Photogrammetry， Remote Sensing and Spatial Information Sciences， 2013， 40： 239-244.
[31]	GARZELLI A， NENCINI F， CAPOBIANCO L. Optimal MMSE pan sharpening of very high resolution multispectral images［J］. IEEE Transactions on Geoscience and Remote Sensing， 2008， 46（1）： 228-236.
[32]	VIVONE G. Robust band-dependent spatial-detail approaches for panchromatic sharpening［J］. IEEE Transactions on Geoscience and Remote Sensing， 2019， 57（9）： 6421-6433.
[33]	VIVONE G， MARANO S， CHANUSSOT J. Pansharpening： Context-based generalized Laplacian Pyramids by robust regression［J］. IEEE Transactions on Geoscience and Remote Sensing， 2020， 58（9）： 6152-6167.
[34]	戴欢，杨勇，卢航远，等. 梯度递归模型优化注入系数的全色锐化算法［J］. 西安电子科技大学学报（自然科学版）， 2025， 52（2）： 143-155.
	DAI H， YANG Y， LU H Y， et al. Gradient recursive optimization based injection coefficient algorithm for pansharpening［J］. Journal of Xidian University （Natural Science）， 2025， 52（2）： 143-155 （in Chinese）.
[35]	FU X Y， LIN Z H， HUANG Y， et al. A variational pan-sharpening with local gradient constraints［C］∥2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2020： 10257-10266.
[36]	WU Z C， HUANG T Z， DENG L J， et al. LRTCFPan： Low-rank tensor completion based framework for pansharpening［J］. IEEE Transactions on Image Processing， 2023， 32： 1640-1655.
[37]	ZHANG K， ZHANG F， WAN W B， et al. Panchromatic and multispectral image fusion for remote sensing and earth observation： Concepts， taxonomy， literature review， evaluation methodologies and challenges ahead［J］. Information Fusion， 2023， 93： 227-242.
[38]	WANG H， ZHANG H， TIAN X， et al. Zero-Sharpen： A universal pansharpening method across satellites for reducing scale-variance gap via zero-shot variation［J］. Information Fusion， 2024， 101： 102003.
[39]	VIVONE G， DENG L J， DENG S Q， et al. Deep learning in remote sensing image fusion： Methods， protocols， data， and future perspectives［J］. IEEE Geoscience and Remote Sensing Magazine， 2025， 13（1）： 269-310.
[40]	DENG L J， VIVONE G， JIN C， et al. Detail injection-based deep convolutional neural networks for pansharpening［J］. IEEE Transactions on Geoscience and Remote Sensing， 2021， 59（8）： 6995-7010.
[41]	TIAN X， LI K， ZHANG W， et al. Interpretable model-driven deep network for hyperspectral， multispectral， and panchromatic image fusion［J］. IEEE Transactions on Neural Networks and Learning Systems， 2024， 35（10）： 14382-14395.
[42]	XU S， ZHONG S W， LI H， et al. Spectral-spatial attention-guided multi-resolution network for pansharpening［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2025， 18： 7559-7571.
[43]	HUANG J， HUANG R， XU J H， et al. Wavelet-assisted multi-frequency attention network for pansharpening［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2025， 39（4）： 3662-3670.
[44]	DUAN Y L， WU X， DENG H Y， et al. Content-adaptive non-local convolution for remote sensing pansharpening［C］∥2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2024： 27738-27747.
[45]	RONNEBERGER O， FISCHER P， BROX T. U-Net： convolutional networks for biomedical image segmentation［C］∥2015 Medical Image Computing and Computer-Assisted Intervention. Cham： Springer， 2015： 234-241.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

模型	模型规模/MB	FLOPs/10⁹	参数量/10⁶	推理时间/ms	推理速度/（frame∙s^-1）
DiCNN^［24］	0.18	12.231	0.047	2.13	469.39
FusionNet^［40］	0.30	78.517	0.153	3.81	262.13
LAGConv^［27］	0.58	8.270	0.054	91.06	10.98
CANNet^［44］	3.00	7.069	0.308	3 107.56	0.32
ARConv^［28］	60.74	240.432	4.620	347.60	2.88
AFAR-Net	60.83	428.117	4.988	526.49	1.90

自回归与反馈驱动的自适应矩形卷积全色锐化网络

AFAR-Net: Autoregressive and feedback-driven adaptive rectangular convolution network for pansharpening

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 45

相关文章 15

编辑推荐

Metrics

本文评价

[1]	马宇卓, 任侃, 李涛, 陈钱. 基于距离损失提升航空图像语义分割研究[J]. 航空学报, 2026, 47(8): 332780-332780.
[2]	黄俊, 张菁, 翁世倩. 机载光电目标识别算法综述[J]. 航空学报, 2026, 47(6): 332601-332601.
[3]	李乐言, 杨任农, 郭安新, 宋祺, 左家亮. 基于全域火力场的超视距空战威胁预测及动态逃逸方法[J]. 航空学报, 2026, 47(4): 332205-332205.
[4]	冯子成, 张文龙, 刘冬辉, 于起峰. 复杂背景下反无人机红外目标鲁棒跟踪算法[J]. 航空学报, 2026, 47(4): 332264-332264.
[5]	陶冶, 汤锦辉, 闫震, 周臣, 王冲. 融合表征转换与模式回归的航迹插补方法[J]. 航空学报, 2026, 47(1): 332106-332106.
[6]	徐建宇, 周莉, 王占学, 是介, 史毫. 基于快速逐线计算模型的高超声速羽流红外辐射计算方法[J]. 航空学报, 2025, 46(8): 630778-630778.
[7]	孟令捷, 李红光, 李新军. 基于地貌类别信息指导的SAR图像仿真方法[J]. 航空学报, 2025, 46(7): 331003-331003.
[8]	赵志浩, 杨照华, 吴云, 余远金. 弱光环境下基于深度学习的单光子计数成像去噪方法[J]. 航空学报, 2025, 46(3): 630531-630531.
[9]	吴一全, 童康. 基于深度学习的无人机航拍图像小目标检测研究进展[J]. 航空学报, 2025, 46(3): 30848-030848.
[10]	项子健, 麻震宇, 杨希祥. 基于深度学习的复合材料结构性能参数反演[J]. 航空学报, 2025, 46(24): 231877-231877.
[11]	丛润民, 孙豪言, 罗宇轩, 方豪. 基于类关系挖掘的遥感图像广义小样本分割方法[J]. 航空学报, 2025, 46(23): 631694-631694.
[12]	范天麒, 邹征夏, 史振威. 基于强化学习数据合成的典型遥感目标检测[J]. 航空学报, 2025, 46(23): 631955-631955.
[13]	刘奎, 孙浩, 伍瀚, 计科峰, 匡纲要. 动态亮度重建的无人机可见光-红外融合目标检测[J]. 航空学报, 2025, 46(23): 631968-631968.
[14]	彭勃, 白吉康, 陈伟文, 郑向涛, 雷建军, 卢孝强. 基于深度学习的无人机搜救方法研究进展[J]. 航空学报, 2025, 46(23): 632761-632761.
[15]	王飞, 刘勇, 姚嘉伟, 朱轩磊, 卢孝强, 郭文星, 张雪涛, 郭宇. RS-AdaDiff：基于降质感知自适应估计的单步遥感图像超分辨率扩散模型[J]. 航空学报, 2025, 46(23): 632763-632763.