Deep learning-driven multisource remote sensing image fusion: Advances, challenges, and future directions
Shahid Karim · Akeel Qadir · Asif Ali Laghari 等 4 人
综述深度学习多源遥感图像融合方法、挑战与未来方向。
综述CNN、GAN、Transformer、扩散模型等融合机制与重建行为。
CNN擅局部细节，GAN易谱失真，Transformer长程关系强，扩散模型精度高但算力大。
面向农业的轻量、自监督、不确定性感知融合与基准数据集构建。
发表于核心期刊的综述，系统梳理深度学习多源遥感融合的方法、应用与挑战，对农业遥感与精准农业有直接参考价值，时效性强，值得进入每日精选。
多源遥感图像融合已成为解决地球观测领域一个长期局限的重要方案：单一传感器很少能够同时提供高空间细节、丰富光谱信息、可靠的结构敏感性以及频繁的时间覆盖。本文综述了如何利用深度学习和人工智能整合多光谱、高光谱、全色、光学和合成孔径雷达（synthetic aperture radar, SAR）影像，以更可靠地解译复杂地表场景。文章对卷积神经网络、自编码器、生成对抗网络、Transformer架构、扩散模型以及混合模型驱动方法进行了技术综合，重点关注其融合机制、重建行为、计算需求以及业务化适用性。应用领域包括土地覆盖制图、精准农业、环境监测、城市分析、灾害评估和国防相关解译。本文并非将每种融合任务分开处理，而是在一个统一框架内将传感器异质性、空间与光谱分辨率权衡、辐射校正、几何校正、配准、降噪和融合层级设计联系起来。分析表明，卷积模型在稳定的局部细节恢复方面仍然有效，对抗学习可以提升视觉锐度但可能引入光谱失真，Transformer模型能更好地捕捉长程空间与光谱关系，而扩散模型以更高的计算成本提供精细重建。本文进一步指出了涉及配准误差、光谱偏差、标注数据有限、跨传感器泛化能力弱、高内存需求以及可解释性有限等开放挑战。未来的进展应优先关注传感器感知学习、自监督训练、不确定性感知评估、轻量化部署以及面向应用的基准测试，以提高业务化地球观测的可靠性。