近日，图像处理与模式识别团队负责人卢航远教授作为第一作者，金华职业技术大学信息工程学院作为第一单位，在国际顶级期刊《Pattern Recognition》（中科院TOP 1区，影响因子7.5）上发表了题为“MSAN: Multiscale self-attention network for pansharpening”的研究论文。这是研究团队在2025年发表的第2篇TOP期刊论文，彰显了团队在图像处理与模式识别领域的研究水平与国际影响力。论文链接为：https://www.sciencedirect.com/science/article/abs/pii/S0031320325001013

全色锐化（pansharpening）是遥感图像处理中的重要任务，可为数字农业、国土资源监测等提供重要支撑。现有的深度学习方法在全色锐化中存在一定的局限性，例如忽视局部错位问题，以及难以有效整合局部与长程特征，从而可能导致光谱和空间失真。本研究的目的是通过融合多光谱图像（MS）和全色图像（PAN）不同模态图像，生成具有高光谱与高空间分辨率的图像。

论文提出了一种改进的细节注入模型，该模型能够自适应地学习长程特征注入系数。在此模型基础上，研究团队设计了一种多尺度自注意力网络（MSAN），包含特征提取分支和自注意力机制分支。其中，在特征提取分支中设计了一个两阶段多尺度卷积网络，以充分利用多重感受野提取细节特征；在自注意力分支中提出了一种精练的Swin Transformer (SST)，通过学习局部与长程特征之间的相关性，高效生成多尺度自注意力图。此外，研究团队进一步改进了Swin Transformer块，结合光谱注意力和空间注意力，更好地保留光谱-空间信息。实验验证表明，MSAN在主观与客观评估指标上均优于传统与最新的全色锐化方法，同时具有较高的运行效率。

本项研究由学院卢航远教授、刘日仙教授联合天津工业大学相关团队共同完成，为学术界和工业界提供先进的全色锐化工具。代码在论文正式接收后于GitHub开源，链接为https://github.com/yotick/MSAN-Pattern-Recognition-2025。