基于模型驱动的深度学习高光谱图像融合研究_孙杨霖

可以借鉴一下她的国内外现状研究部分，写得挺好的

目前的高光谱图像融合方法可以大致分为三类：传统数学方法（成分替代和多分辨率分析）、变分方法（贝叶斯、矩阵分析）以及基于深度学习（输入级、特征级和模型级融合）的方法。其中前两种方法也可以被统称为传统高光谱图像融合方法。

• 成分替代法，把LRHSI投影到更高维的空间，分离空间信息和光谱信息，再用HRMSI的空间信息替代LRHSI的空间信息

• 多分辨率分析法，对HRMSI进行空间滤波注入到LRHS的空间细节（拉普拉斯金字塔滤波）

• 输入级融合，把HRMS和LRHS直接在光谱维度上串联当做输入，把目标HRHS当做标签进行训练。

• 特征级融合，利用不同的分支网络提取一对图像中空间和光谱信息，最后再把这两者融合。特征级融合主要关注 HRMS 和 LRHS 分别带有的空间与光谱信息，因此网络多以分支形式出现。

• 模型级融合，模型级融合通常以传统的数学方法作为根据，按照数学分析方法对融合问题进行建模，之后把对模型求解的算子转换为深度网络的结构。融合网络通常是对传统数学方法或是变分优化方法的网络式模拟，因此兼具很强的可解释性和鲁棒性。

1. 高光谱图像观测模型：

$$X:HRHSI$$