近日，实验室2021级硕士生李铭崧的一篇论文 “Local-Global Transformer Enhanced Unfolding Network for Pan-sharpening”(作者：李铭崧，刘一锟，肖桃，黄玉文, 杨公平)被International Joint Conference on Artificial Intelligence (IJCAI) 2023录用。IJCAI是人工智能领域的顶级会议，属于CCF A类会议。本次会议共收到有效投稿4566篇，录用率约为15%。

受原理和技术制约，具有较高光谱分辨率的多光谱图像呈现出较低空间分辨率的特性，其严重影像多光谱影像的后续高层次应用。全色锐化任务在高空间分辨率的全色图像引导下来增强多光谱图像的空间分辨率，受到广泛关注与研究。当前，基于深度学习的全色锐化方法取得了不错的效果，但是大多数方法仍受到两方面的制约。一方面，广泛采用的黑盒模式限制了模型的可解释性；另一方面，现存方法难以同时高效地捕获局部和全局的特征依赖。为此，在这项工作中将高空间分辨率多光谱图像的退化过程制定为一个统一的变分优化问题，并且利用设计的梯度投影下降算法来迭代地解决其数据和先验子问题。进一步地，我们基于傅里叶频域的良好特性设计了一个局部-全局Transformer模块来同时捕获局部和全局的特征依赖，将其作为先验子问题中图像降噪的基模块。同时，我们设计了轻量的数据模块对应数据子问题。最后，通过串行地集成数据与先验模块到每一个迭代阶段，我们将迭代算法展开为一个逐阶段的深度展开网络框架用于全色锐化任务。在三个卫星数据集上的广泛实验证明了所提出框架的优越性能与效率。该工作的源码开源在https://github.com/lms-07/LGTEUN。