近日，实验室2024级硕士生李卓懋的一篇论文“Two-Step Pansharpening: A High-Frequency-Guided Spatial-Spectral Enhancement Network Based on Mixture of Experts”(作者：李卓懋，李颖，李志浩，刘一锟，杨公平)被IEEE Transactions on Geoscience and Remote Sensing (TGRS)录用。TGRS是遥感领域的顶级期刊，也是人工智能与计算机视觉领域的权威期刊，CCF B类，中科院一区TOP期刊，影响因子(IF)为8.6。
全色锐化旨在将高空间分辨率的全色图像与低空间分辨率的多光谱图像相融合，以生成高空间分辨率的多光谱图像。因此，如何高效且有效地提取并融合遥感图像的空间与光谱特性显得尤为重要。然而，这一过程面临两大挑战：首先，大多数遥感图像包含多样化的地物目标（如沙滩、建筑物、道路、植被），导致其空间与光谱特征极为复杂。现有基于深度学习的密集型模型存在固有的优化矛盾——它们使用单一参数集同时优化空间细节和光谱保真度，导致两者表征均不充分。这也使得在不过度增加计算成本的前提下难以提升模型表征能力，从而造成计算负担沉重、泛化能力有限，限制了在实际场景中的部署与应用。其次，在高频细节保留方面，现有基于深度学习的模型无法从全色图像与低分辨率多光谱图像中学习完整的细节信息，导致生成的高分辨率多光谱图像较为粗糙。为应对这些挑战，我们提出了一种新颖的两步式全色锐化网络——TS-Pan。具体而言，第一步中，我们将空间特征与光谱特征的提取视为两个独立子任务，分别采用空间专家混合网络与光谱专家混合网络，以高效捕获最丰富且最真实的空间与光谱信息，从而避免优化冲突并提升泛化能力。第二步中，在高频信息引导下，我们提出的高频引导空间-光谱增强网络能有效整合并增强空间-光谱特征，最终生成细节精细的高分辨率多光谱图像。综合实验结果表明，与其他先进方法相比，我们的模型在保持较低计算量的同时，展现出更优越的性能与泛化能力。