Awesome-Pansharpening

这是一个关于全色锐化领域的数据集合集仓库，收集和整理了多个用于全色锐化研究的数据集资源，包括NBU-Dataset、PAirMax benchmark dataset、PanCollection Dataset、Hyperspectral Pansharpening Dataset等。该合集覆盖了遥感图像全色锐化的数据集，提供了数据集的概述、链接和相关论文引用，旨在为研究人员提供便捷的数据集访问和参考。This is a dataset repository dedicated to the field of pan-sharpening, which collects and organizes multiple dataset resources for pan-sharpening research, including NBU-Dataset, PAirMax benchmark dataset, PanCollection Dataset, Hyperspectral Pansharpening Dataset, etc. This collection covers datasets for remote sensing image pan-sharpening, providing dataset overviews, access links and relevant paper citations, aiming to provide researchers with convenient dataset access and reference.

原始信息汇总

该页面是 Awesome-Pansharpening 存储库，专注于全色锐化领域，尤其聚焦于基于深度学习的方法。主要内容包括：

数据集

• NBU-Dataset：基于 X. Meng 等人（2021）的论文，提供百度网盘下载链接（提取码：y77y）。
• PAirMax benchmark dataset：来自 G. Vivone 等人（2021）的工作，通过 Maxar 网站获取。
• PanCollection Dataset：由 Liangjian Deng 等人提供，包含按照特定流程准备的训练和测试集，论文发表于《中国图象图形学报》（2022）。
• HyperPanCollection：用于高光谱全色锐化的易用数据集，源自 Yu-Wei Zhuo 等人（2022）的论文，托管在 GitHub。
• Remote Sensing Product Samples：来自 Maxar 的遥感产品样本。
• gscloud：国内遥感数据源（http://www.gscloud.cn）。

综述论文

共列出 10 篇综述，时间跨度从 2005 年到 2022 年，涵盖从经典方法到深度学习方法的全面回顾，包括：Laporterie-Déjean 等人（2005）、Thomas 等人（2008）、Marcello 等人（2013）、Kpalma 等人（2014）、Vivone 等人（2015）、Loncan 等人（2015）、Meng 等人（2019）、Vivone 等人（2021）及 Deng 等人（2022）等。

性能评估方法

列出 25 篇相关文献，涉及多种质量评估指标和框架，如：光谱角制图（SAM，1992）、Wald 协议（1997）、通用图像质量指数（2002）、全局质量测量（2004）、无参考评估（2008）、调制传递函数（2009）、全尺度评估（2014、2015）、贝叶斯方法（2018）及全分辨率评估（2022）等。

方法分类及代表性工作

• 成分替换（CS）方法：包含 4 项经典工作，如 IHS 变换（1990）、色彩增强（1987）、Gram-Schmidt 方法（2000）及自适应 IHS（2010）。
• 多分辨率分析（MRA）方法：包含 5 项工作，如上下文驱动融合（2002）、传感器光谱响应引入（2005）、PCA 与 Contourlet 结合（2008）等。
• 模型优化方法：涵盖 5 项基于变分或稀疏表示的优化方法，包括局部梯度约束（2019）、分数阶几何先验（2018）、贝叶斯框架（2020）、自适应稀疏表示（2019）及盲多光谱融合（2022）。
• 深度学习方法：
  • 有监督方法：详细列出 15 项工作，包括早期 CNN 方法（2015、2016）、残差学习（2017）、PanNet（2017）、生成对抗网络（2018）、目标自适应 CNN（2018）、多尺度多深度网络（2018）、光谱-空间一致性优化（2019）及感知损失方法（2019）等。
  • 无监督方法：目录中提及但具体内容未在本段 README 中展开。

挑战

页面提及“全色锐化的挑战”部分，但未提供具体内容。

搜集汇总

数据集介绍

构建方式

在遥感图像处理领域，全色锐化技术旨在融合高空间分辨率的全色影像与低空间分辨率的多光谱影像，以生成兼具高空间与高光谱分辨率的融合图像。Awesome-Pansharpening数据集汇集了多个权威的公开数据资源，包括NBU大规模基准数据集、PAirMax基准数据集、PanCollection预处理完备数据集以及专为高光谱全色锐化设计的HyperPanCollection数据集。这些数据集来源于不同卫星传感器，通过标准化的预处理流程（如辐射校正、几何配准和降尺度模拟）构建而成，提供了成对的全色与多光谱图像样本，并划分了明确的训练集与测试集，为深度学习方法的训练与评估奠定了基础。

特点

该数据集集合具有鲜明的多源性与层次性特征。其涵盖了从传统多光谱到高光谱的多种遥感影像类型，且数据规模宏大，如NBU数据集提供了大规模、多样化的地理场景样本。各子数据集均经过精心整理，如PanCollection提供了即开即用的训练与测试划分，HyperPanCollection则专攻高光谱锐化任务。此外，该数据集整合了从经典成分替换（CS）、多分辨率分析（MRA）到前沿深度学习方法的完整文献索引与代码工具，形成了一个集数据、算法、评估指标于一体的综合性研究平台，极大便利了方法的横向对比与性能复现。

使用方法

研究人员可依据具体任务需求灵活选用数据集。对于常规多光谱全色锐化，可直接使用PanCollection中已预处理好的训练与测试样本，结合DLPan-Toolbox工具包进行模型训练与评估。针对高光谱锐化，则推荐采用HyperPanCollection数据集。用户可从各数据集的官方链接（如百度网盘、Maxar资源站）下载原始数据，并参照随附的预处理脚本进行格式转换与数据增强。同时，该仓库提供了详尽的性能评估指标（如SAM、ERGAS、Q4等）代码，便于在统一框架下验证算法效果，实现标准化评测。

背景与挑战

背景概述

全色锐化（Pansharpening）是遥感图像处理领域的一项关键技术，旨在融合高空间分辨率的全色图像与低空间分辨率的多光谱图像，生成兼具高空间与高光谱分辨率的融合产品。该技术自20世纪90年代起便受到广泛关注，随着深度学习方法的兴起，基于卷积神经网络的全色锐化方法在精度与效率上取得了显著突破。Awesome-Pansharpening数据集由多位学者于2021年共同创建，汇集了包括NBU、PAirMax、PanCollection等在内的多个公开基准数据集，系统梳理了从传统方法到深度学习的全色锐化研究脉络。该数据集的核心研究问题在于如何有效评估不同融合方法的性能，并为后续研究提供标准化的训练与测试平台。其对遥感图像融合领域产生了深远影响，推动了全色锐化方法从浅层特征提取向深层语义理解的演进。

当前挑战

全色锐化面临的核心挑战在于如何在提升空间细节的同时精确保持多光谱图像的光谱保真度。传统方法如成分替换（CS）与多分辨率分析（MRA）虽能实现空间增强，却常引入光谱失真。深度学习方法的引入虽改善了融合质量，但仍面临训练数据不足、模型泛化能力有限、全分辨率场景下无参考图像质量评估困难等问题。此外，构建全色锐化数据集本身亦充满挑战：真实遥感图像难以获取精确的参考图像，通常需通过降采样模拟退化过程，这导致模型在真实场景中性能下降。多传感器间的空间与光谱分辨率差异、不同卫星平台的光谱响应函数不匹配，进一步加剧了数据构建与模型适配的复杂性。

常用场景

经典使用场景

在遥感图像处理领域，全色锐化（Pansharpening）旨在融合高空间分辨率的全色图像与低空间分辨率的多光谱图像，以生成兼具高空间分辨率与丰富光谱信息的融合图像。该数据集汇集了来自不同卫星传感器（如WorldView、GeoEye等）的配对图像，为研究者提供了标准化的训练与测试样本，使其能够系统性地评估和比较各类锐化算法的性能。经典的使用场景包括监督学习下的深度学习模型训练，例如基于卷积神经网络（CNN）的方法，通过大量配对数据学习从低分辨率多光谱到高分辨率全色图像的映射关系，从而显著提升融合图像的空间细节与光谱保真度。

实际应用

在实际应用中，该数据集训练的锐化模型被广泛用于国土资源调查、城市规划、农业监测及环境遥感等场景。例如，在城市规划中，融合后的高分辨率多光谱影像能够清晰识别建筑物边界与道路网络，辅助用地分类与变化检测；在精准农业领域，高空间分辨率的光谱信息有助于作物种类识别与生长状态评估。此外，该数据集还被用于灾害应急响应，如地震或洪灾后，通过快速生成高清晰度的融合影像，支持受损区域的高效评估与救援决策。其衍生出的模型已集成到商业遥感软件中，大幅提升了遥感数据产品的现势性与实用性。

衍生相关工作

基于该数据集，研究者衍生出大量经典工作，推动了全色锐化领域的持续发展。例如，Deng等人构建了PanCollection数据集，并提出了DLPan-Toolbox基准工具箱，系统对比了从浅层到深层的多种锐化方法；Zhuo等人针对高光谱全色锐化，发布了HyperPanCollection数据集，拓展了融合任务的光谱维度。此外，PanNet首次将残差学习与频域先验引入CNN框架，而PSGAN则利用生成对抗网络优化融合图像的感知质量。这些工作不仅丰富了全色锐化的方法论体系，还促进了跨模态图像融合、超分辨率重建等关联领域的技术创新。