Pansharpening durch Detailinjektion basierend auf Faltungsneuralnetzen

Pansharpening zielt darauf ab, ein multispektrales (MS) Bild mit einem zugehörigen panchromatischen (PAN) Bild zu fusionieren, um ein komposites Bild zu erzeugen, das die spektrale Auflösung des ersten und die räumliche Auflösung des zweiten aufweist. Traditionelle Pansharpening-Methoden können einem einheitlichen Detailinjektionskontext zugeordnet werden, der die injizierten MS-Details als Integration von PAN-Details und bandweise Injektionsgewinnen betrachtet. In dieser Arbeit entwerfen wir ein auf Detailinjektion basierendes CNN (DiCNN)-Framework für Pansharpening, bei dem die MS-Details direkt in einer end-to-end-Architektur formuliert werden. Dabei sucht das erste auf Detailinjektion basierende CNN (DiCNN1) MS-Details durch das PAN-Bild und das MS-Bild aus, während das zweite (DiCNN2) nur das PAN-Bild verwendet. Der Hauptvorteil der vorgeschlagenen DiCNNs besteht darin, dass sie explizite physikalische Interpretationen bieten und eine schnelle Konvergenz erreichen können, während sie eine hohe Pansharpening-Qualität gewährleisten. Darüber hinaus wird die Effektivität der vorgeschlagenen Ansätze auch aus einer theoretischen Perspektive analysiert. Unsere Methoden werden anhand von Experimenten mit realen MS-Bild-Datensätzen evaluiert und erzielen im Vergleich zu anderen Stand-of-the-Art-Methoden ausgezeichnete Ergebnisse.