这篇文章研究的是高光谱全色锐化，即利用低分辨率高光谱图像和高分辨率全色图像，恢复高空间分辨率、高光谱分辨率的 HRHS 图像。输入为：表示低分辨率高光谱图像 LRHS；表示高分辨率 PAN 图像；目标是恢复：即高分辨率高光谱图像 HRHS。传统方法通常依赖手工先验，例如 TV 正则、低秩约束、稀疏约束等；深度学习方法虽然效果强，但往往需要大量配对训练数据，而且跨数据集泛化能力较弱。

在源图像本身已经退化的情况下，如何做高质量的多模态图像融合，并且支持用户通过文字来指定“我更想突出什么目标”。去掉多模态图像中的复合退化，比如低照度、噪声、偏色。在融合过程中突出用户关心的对象，比如行人、车辆、病灶等。为了解决这两个问题，Text-DiFuse 提出了一个新的框架：先利用条件扩散模型学习“如何从退化图像恢复到干净图像”，然后把多模态特征融合直接嵌入这个恢复过程；再结合文本和零样本定

EGD-Net 是一篇很典型的“把扩散模型做任务化改造”的文章。它不是直接把标准 diffusion 套到高光谱去噪上，而是结合高光谱图像的低维子空间结构、eigenimage 表示方式以及混合噪声的特点，重新设计了一个面向实际任务的 guided diffusion 框架。在子空间特征图域中做扩散去噪，降低高光谱高维建模的复杂度；通过主导特征图引导和 clean/noisy eigenimage

本文为作者根据近期科研情况选取，如有推荐，在评论区回复即可。基于自适应残差引导子空间扩散模型的自学习高光谱与多光谱图像融合期刊：Conference on Computer Vision and Pattern Recognition (CVPR)年份：2025关键词：高光谱与多光谱图像融合，扩散模型创新点：1.提出一种。

扩散模型不必死守像素空间，latent space 同样可以成为高质量生成的主战场。这篇论文提出了 LDM 框架，用“自编码器压缩 + 潜空间扩散 + 条件交叉注意力”三步，把高质量扩散生成从昂贵的像素空间迁移到更高效的 latent space 中，在图像生成、文生图、超分和修复等多个任务上都取得了非常强的效果。

本文为作者根据近期科研情况选取，如有推荐，在评论区回复即可。基于自适应残差引导子空间扩散模型的自学习高光谱与多光谱图像融合期刊：Conference on Computer Vision and Pattern Recognition (CVPR)年份：2025关键词：高光谱与多光谱图像融合，扩散模型创新点：1.提出一种。