近日，金华职业技术大学信息工程学院图像处理与模式识别团队接连取得突破，在遥感领域顶级期刊《IEEE Transactions on Geoscience and Remote Sensing》（中科院TOP1区）上发表了最新研究成果。论文题目为《Multispectral-Hyperspectral Image Fusion via Similarity-Guided Graph Attention and VAE-Transformer》，由池碧蔚老师为第一作者，团队负责人卢航远教授为通讯作者，刘日仙教授共同参与完成。论文在线地址为：https://doi.org/10.1109/TGRS.2025.3573047。相关代码已对外公开，地址为：https://github.com/yotick/CSGAV。
高空间分辨率多光谱影像（MSI）与低空间分辨率高光谱影像（HSI）的融合，旨在生成高空间、高光谱分辨率的遥感影像（HR-HSI）。当前大多数融合方法仅采用简单的上采样技术提升HSI分辨率，缺乏引导过程，易引入伪影并导致光谱失真，同时在泛化性和鲁棒性方面也面临挑战。针对上述问题，团队提出了一种融合多光谱与高光谱影像的跨模态网络——CSGAV。该方法基于相似性引导图注意力（SGA）与变分自编码-Transformer（VAET），通过创新的相似性度量算法计算源影像间的相似度，并构建SGA模块有效缓解模态差异，获得精确的上采样结果。此外，VAET模块引入自适应加权Transformer，权重由变分自编码器引导，进一步提升模型的泛化性与鲁棒性。SGA与VAET在跨模态交互架构中协同工作，最终实现高质量的HR-HSI影像生成。多项公开数据集上的实验结果表明，CSGAV在融合性能和泛化能力上均优于当前主流方法。
此外，团队以刘日仙教授为第一作者、卢航远教授为通讯作者、池碧蔚老师参与，近期在中科院2区高水平期刊《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》发表了题为《A Progressive Spectral Correction and Spatial Compensation Network for Pansharpening》的论文，在线地址为：https://ieeexplore.ieee.org/document/10960710。
论文针对当前融合全色和低分辨率多光谱影像（Pansharpening）方法普遍忽视源影像模态差异、缺乏交互导致的空间-光谱失真等问题，提出一种新型的渐进式光谱校正与空间补偿网络。网络包括光谱校正分支、空间补偿分支和光谱-空间融合（SSF）分支：光谱校正分支设计了局部光谱增强（LSR）模块与全局光谱校正（GSR）模块，分别强化局部与全局光谱信息，确保光谱保真性；空间补偿分支引入多尺度空洞自适应特征提取模块，结合光谱和空间注意力提取空间细节，并将细节逐步补偿进SSF分支，提高空间保真性；SSF分支实现光谱、空间信息的有效交互与优化，缓解模态差异，提升融合影像的光谱—空间一致性。大量实验验证了方法在当前主流Pansharpening方法中的优越性能。
上述成果充分体现了图像处理与模式识别团队在遥感影像融合领域的科研实力与学术影响力。团队成员多次在领域内高水平期刊发表创新性成果，推动了遥感图像处理技术的发展。
