基于双目扩散模型的非配准高光谱与多光谱图像连续融合方法研究

针对非配准高光谱图像(HSI)与多光谱图像(MSI)融合难题，西安团队提出统一的双目扩散模型RF-BDiff，通过交替优化配准与融合任务，实现连续稳定的HR-HSI重建。创新设计的隐式神经配准模块(INRM)和可逆空谱融合模块(IS2FM)显著提升细节保留能力，实验验证其在真实场景中的卓越性能，为遥感图像处理提供新范式。

　　

在遥感影像分析领域，高光谱图像(HSI)因其丰富的光谱信息被誉为"地物指纹"，但受传感器物理限制，其空间分辨率往往较低。传统解决方案是通过与高空间分辨率的多光谱图像(MSI)融合来提升HSI质量，然而现实场景中多源图像常因成像条件差异存在配准偏差。现有融合方法大多粗暴假设图像已完美配准，导致实际应用中出现边缘模糊、光谱失真等问题，犹如试图用错位的拼图块完成精美画卷。

西安的研究团队直面这一挑战，在《Knowledge-Based Systems》发表创新成果。他们发现当前方法存在两大痛点：两阶段策略的配准误差累积问题，以及单步融合难以协调空间偏移与光谱保真的矛盾。受扩散模型在生成任务中"渐进式修正"特性的启发，团队巧妙构建了配准-融合双目扩散模型(RF-BDiff)，将高斯噪声逐步重构为高分辨率HSI(HR-HSI)，犹如考古学家逐层修复珍贵文物。

关键技术包括：1) 模拟哈佛大学和帕维亚中心数据集构建训练集；2) 前向扩散过程将HR-HSI退化为噪声；3) 逆向过程中交替执行隐式神经配准模块(INRM)和可逆空谱融合模块(IS²FM)。INRM通过连续坐标映射解决离散网格配准难题，IS²FM采用可逆双射变换降低信息损耗，二者协同实现"配准-融合-再优化"的螺旋上升式改进。

【主要发现】

1. 模型架构创新：RF-BDiff通过多时间步迭代，使配准精度与融合质量相互促进。在长安真实数据集测试中，其光谱角制图(SAM)指标较传统方法降低32%，证明其卓越的谱保真能力。

2. 隐式神经配准突破：INRM将MSI空间坐标与HSI光谱值的关系建模为连续隐函数，在帕维亚数据上实现0.8像素级配准精度，较传统特征点匹配方法提升近5倍。

3. 可逆融合机制：IS²FM模块通过雅可比行列式约束保障信息守恒，实验显示其重建图像的峰值信噪比(PSNR)达38.6dB，有效抑制了常见棋盘伪影。

讨论部分强调，该研究首次实现配准与融合的端到端联合优化，其渐进式重构策略对处理其他多模态医学影像具有借鉴价值。提供的长安真实数据集填补了该领域验证空白，团队特别指出扩散模型的时间步长控制是平衡计算效率与精度的关键。这项成果不仅为遥感图像处理设立新标杆，其"协同优化"的核心思想更为解决多任务耦合问题提供了普适性框架。