摘要

本文是关于高光谱全色锐化的综述性论文，作者设计了一个大型且多样化的数据集，选择了一组最先进的方法，在单一的 PyTorch 框架中重新实现了它们，并使用最认可的质量指标对所有方法进行了批判性的比较分析，最后提供了一个易于使用的工具箱，包括数据、工具和结果，以简化新解决方案的开发并推动该领域的进展。

<工作原理> 高光谱全色锐化是将高分辨率全色波段和低分辨率高光谱图像融合，以获得在空间和光谱域都具有高分辨率的新图像。本文介绍了高光谱全色锐化的方法，包括基于组件替换（CS）、多分辨率分析（MRA）、基于模型的优化（MBO）和深度学习（DL）的方法。其中，深度学习方法是目前最流行的方法，作者选择了七种最先进的深度学习方法，并对它们进行了详细的介绍和分析。

<工作流程> 作者首先扫描文献，确定了一组基准最先进的方法。然后，作者构建了一个新的开发和测试工具箱，包括一个大型的高质量 PAN+HS 图像数据集，用于可靠和统一的性能评估，并支持基于深度学习的方法的准确训练。最后，作者对所有方法进行了性能评估，包括在降低分辨率和全分辨率下的评估，并使用最认可的指标进行评估。

<应用前景> 高光谱全色锐化在遥感领域有广泛的应用，包括分类、目标检测、土地利用/覆盖制图、作物监测和土地物理参数估计等。本文提供的框架和工具将有助于开发和评估新的高光谱全色锐化解决方案，推动该领域的发展。

<标题> 高光谱全色锐化：关键评论、工具和未来展望

原理

高光谱全色锐化是将高分辨率全色波段和低分辨率高光谱图像融合，以获得在空间和光谱域都具有高分辨率的新图像。本文介绍了高光谱全色锐化的方法，包括基于组件替换（CS）、多分辨率分析（MRA）、基于模型的优化（MBO）和深度学习（DL）的方法。其中，深度学习方法是目前最流行的方法，作者选择了七种最先进的深度学习方法，并对它们进行了详细的介绍和分析。

<工作流程> 作者首先扫描文献，确定了一组基准最先进的方法。然后，作者构建了一个新的开发和测试工具箱，包括一个大型的高质量 PAN+HS 图像数据集，用于可靠和统一的性能评估，并支持基于深度学习的方法的准确训练。最后，作者对所有方法进行了性能评估，包括在降低分辨率和全分辨率下的评估，并使用最认可的指标进行评估。

<应用前景> 高光谱全色锐化在遥感领域有广泛的应用，包括分类、目标检测、土地利用/覆盖制图、作物监测和土地物理参数估计等。本文提供的框架和工具将有助于开发和评估新的高光谱全色锐化解决方案，推动该领域的发展。

<标题> 高光谱全色锐化：关键评论、工具和未来展望

流程

作者首先扫描文献，确定了一组基准最先进的方法。然后，作者构建了一个新的开发和测试工具箱，包括一个大型的高质量 PAN+HS 图像数据集，用于可靠和统一的性能评估，并支持基于深度学习的方法的准确训练。最后，作者对所有方法进行了性能评估，包括在降低分辨率和全分辨率下的评估，并使用最认可的指标进行评估。

<应用前景> 高光谱全色锐化在遥感领域有广泛的应用，包括分类、目标检测、土地利用/覆盖制图、作物监测和土地物理参数估计等。本文提供的框架和工具将有助于开发和评估新的高光谱全色锐化解决方案，推动该领域的发展。

<标题> 高光谱全色锐化：关键评论、工具和未来展望

应用

高光谱全色锐化在遥感领域有广泛的应用，包括分类、目标检测、土地利用/覆盖制图、作物监测和土地物理参数估计等。本文提供的框架和工具将有助于开发和评估新的高光谱全色锐化解决方案，推动该领域的发展。

<标题> 高光谱全色锐化：关键评论、工具和未来展望