要約
近年、深層学習の進展を背景に、モデルベースからデータ駆動型アプローチへのパラダイムシフトが進む中、データ統合技術、特にパンシャープニング（pansharpening）に対する関心が再び高まっている。パンシャープニングに向けた多数の畳み込みニューラルネットワーク（CNN）が提案されてきたが、依然として解決すべき根本的な課題が存在する。その中でも、クロススケールおよびクロスデータセットへの汎化能力は、最も緊急の課題であると考えられる。現行の多くは低解像度（縮小解像度）で学習されているため、特定のデータセットでは良好な性能を発揮するものの、他のデータセットでは著しく性能が低下する傾向にある。こうした課題に対処する最近の試みとして、適切なフル解像度損失関数を用いたターゲット適応型推論スキームが提案されている。しかしながら、このアプローチは適応フェーズに追加の計算負荷を伴うという欠点がある。本研究では、この手法の変種として、推論時間の平均10倍の短縮を実現しつつ、精度の損失を生じさせない効果的なターゲット適応スキームを提案する。GeoEye-1、WorldView-2、WorldView-3の3つの異なるデータセットを用いた広範な実験により、最先端のモデルベースおよび深層学習ベース手法と比較して、高い精度を維持しつつ、著しい計算効率の向上が確認された。さらに、提案する適応フレームワークが、異なるCNNモデルにも適用可能であることを示し、その汎用性も検証した。