Aktuelle tiefenlernende raumzeitliche Fusionsmethoden balancieren Pixelabweichungen in lokalen Regionen während der Faltungsoperationen aus, was zu schlechter Texturdetailqualität und unscharfen Bereichsgrenzen im verschmolzenen Bild führt. Dieser Artikel stellt ein raumzeitliches Fusionsmodell vor, das Generative Adversarial Networks (GAN) und die nicht-unterabtastete Scherwellen-Transformation (NSST) kombiniert. Zunächst werden dilatierte Faltungszweige und ein Differenz-Achtsamkeitsmodul (SUB-AM) in die Encoder-Struktur des Generators eingebracht, um bei der Extraktion feiner Merkmale sowohl lokale als auch globale Informationen zu berücksichtigen und dabei mit den groben Merkmaländerungen, die vom SUB-AM-Modul erfasst werden, die extrahierten feinen Merkmale anzupassen, um die Vorhersagegenauigkeit zu verbessern. Zweitens erfolgt mittels NSST-Dekomposition und adaptivem Rekonstruktionsblock (NSST-ARM) die Rekonstruktion der Hoch- und Niedrigfrequenzinformationen der vom Encoder-Decoder generierten Ergebnisse und des Referenzzeitpunktsfeinbildes zur Verstärkung der Hochfrequenzdetails im Fusionsbild; schließlich wird eine Schärfeverlustkomponente in die Verlustfunktion eingeführt, um Schärfeverluste im Fusionsbild zu reduzieren. Experimentelle Ergebnisse zeigen, dass die vorgeschlagene Methode im Vergleich zu fortschrittlichen Methoden den Durchschnittswert der Strukturellen Ähnlichkeit (SSIM) um 1,5 % erhöht und den relativen dimensionslosen globalen Fehler (ERGAS) um 14 % verringert und sowohl die Texturdetailexpression als auch die Kantenschärfe des Fusionsbildes verbessert. Experimente bestätigen die Effektivität der Methode.

raumzeitliche Fusion;Generative Adversarial Networks;dilatierte Faltung;nicht-unterabtastete Scherwellen-Transformation