摘要
高光谱图像融合的核心目标是实现光谱丰富性与空间保真度的有效整合。然而，现有的高光谱图像融合方法在有效建模几何约束方面存在困难。在空间域中，弱的空间-光谱交互限制了几何感知特征学习，并抑制了高频结构信息，导致低频偏差和结构退化。而在光谱域中，由光谱相似性引起的局部流形结构未得到充分利用，限制了内在像素关系建模和细粒度光谱重构。为了解决这些挑战，我们提出了一种双域流形建模（DDMM）框架。
具体而言，我们引入了一种拓扑感知变换器（TPFormer），该变换器结合了全局注意力与邻域传播，联合建模空间拓扑和像素级特征流形关系，以捕捉内在的空间-光谱结构，提升拓扑感知表示学习。此外，我们设计了一个频率解耦空间-光谱协同融合（FDSCF）模块，其中特征通过离散余弦变换投影到频率域，并明确解耦为低频和高频组件。在低秩结构先验和光谱驱动的空间增强的指导下，FDSCF选择性地增强几何感知的高频特征，强化空间-光谱耦合，恢复更清晰的边缘和更细致的纹理。大量在多个基准数据集上的实验表明，DDMM在空间结构保留和光谱重构方面的整体性能优于现有的最先进方法。
博主点评： 此研究通过引入双域流形建模框架，解决了高光谱图像融合中的几何约束建模问题，展现了新颖的特征学习与融合策略，具有重要的理论意义和应用潜力，值得在相关领域深入探索。