A Hybrid Registration and Fusion Method for Hyperspectral Super-resolution

将高光谱图像（HSI）与多光谱图像（MSI）融合已成为提高HSI空间分辨率的主流方法。许多HSI-MSI融合方法已经取得了令人印象深刻的结果。然而，仍然存在一些挑战，包括：（a）大多数当前方法依赖于HSI和MSI的精确配准，在实际应用中可能具有挑战性。 （b）获得的HSI-MSI对可能没有被充分利用。在本文中，我们提出了一种名为RAF-NLRGS的混合配准和融合约束优化模型。关于挑战（a），RAF模型在融合过程中集成了批量图像对齐，有助于同时执行图像配准和融合。为了解决问题（b），NLRGS模型结合了非凸低秩和组稀疏结构，利用组稀疏性有效地利用嵌入在残差数据中的有价值信息。此外，NLRGS模型可以基于RAF模型进一步增强融合性能。随后，RAF-NLRGS模型在广义高斯-牛顿（GGN）算法和近端交替优化（PAO）算法框架内得到解决。在理论上，我们建立了NLRGS模型的误差界限，并且还提出了相应算法的收敛分析。最后，对HSI数据集进行了广泛的数值实验，以验证我们方法的有效性。

论文旨在解决HSI-MSI图像融合中的图像配准和信息利用问题。当前方法大多需要准确的HSI和MSI配准，而且获得的HSI-MSI对可能没有被充分利用。

提出了一种名为RAF-NLRGS的混合配准和融合约束优化模型，通过将批量图像对齐与融合过程相结合来解决配准问题，同时利用非凸低秩和分组稀疏结构来有效地利用残差数据中的有价值信息。

论文在广义高斯牛顿（GGN）算法和交替最小化优化（PAO）算法的框架下解决RAF-NLRGS模型，理论上建立了NLRGS模型的误差界，并提出了相应算法的收敛性分析。实验结果表明，该方法具有较好的融合效果。

最近的相关研究包括：《Hyperspectral and multispectral image fusion using deep learning: A review》、《Hyperspectral and multispectral data fusion: A comparative review of the recent literature》等。