该论文提出了一种特征引导的掩码自编码器(FG-MAE)，通过用方向梯度直方图(HOG)与归一化差异指数(NDI)等遥感领域的光谱和空间特征替代原始像素作为重建目标，解决了传统MAE在遥感图像中过度关注像素细节、对噪声敏感且语义理解能力不足的问题，在多光谱与SAR图像的下游任务上实现了性能提升,尤其在EuroSAT-SAR数据集上较MAE提升高达5%，同时验证了该方法的良好可扩展性，并发布了首套面向

目的：解决由MIM的高随机掩码比例而导致的图像数据利用率不足及预测结果高度不一致的问题，旨在提升预训练效率并增强MIM的一致性。方法：采用并行掩码策略，随后在迭代中并行执行MIM任务，模型通过最小化预测结果与掩码补丁之间的损失来优化模型性能。创新点设计了自洽学习机制，创新性地通过跨区域预测一致性约束增强模型可靠性， 保持了预测结果的一致性。提出并行掩码策略，设计非重叠区域并行掩码机制，解决高掩码比

论文题目：CtrlFuse: Mask-Prompt Guided Controllable Infrared and Visible Image Fusion论文链接：https://arxiv.org/pdf/2601.08619代码链接：https://github.com/Sevryy/CtrlFuse发表年份：AAAI 2026。