Learning User's confidence for active learning
专题命中 遥感融合与全色锐化 ：pansharpening(abstract)；分类 cs.CV、eess.IV
Journal ref IEEE Transactions on Geoscience and Remote Sensing, 51(2): 872 - 880, 2013
视觉与机器人
多模态信息融合
面向图像、视频、多传感器和跨模态感知的信息融合，包括 Image Fusion、红外可见光、遥感、医学影像、LiDAR/雷达/相机和音视频融合。
1. 遥感融合与全色锐化 319 篇
A new public Alsat-2B dataset for single-image super-resolution
专题命中 遥感融合与全色锐化 ：pan-sharpening(abstract)；分类 cs.CV、eess.IV
Comments This paper has been Accepted for publication in the International Geoscience and Remote Sensing Symposium (IGARSS 2021)
Towards DeepSentinel: An extensible corpus of labelled Sentinel-1 and -2 imagery and a general-purpose sensor-fusion semantic embedding model
专题命中 遥感融合与全色锐化 ：sensor fusion(abstract)；分类 cs.CV、eess.IV
Comments Proposal presented at NeurIPS 2020 Climate Change AI Workshop and ESA Phi-Week. Copernicus Masters finalist. 14 pages; 4 figures
Super-resolution of multispectral satellite images using convolutional neural networks
专题命中 遥感融合与全色锐化 ：pan-sharpening(abstract)；分类 cs.CV、eess.IV
Comments To be published in the ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences: https://www.isprs.org/publications/annals.aspx, proceedings of the XXIV ISPRS Congress, 14-20 June 2020, Nice, France
Journal ref ISPRS Ann. Photogramm. Remote Sens. Spatial Inf. Sci., V-1-2020, 33-40
Differentiable Programming for Hyperspectral Unmixing using a Physics-based Dispersion Model
专题命中 遥感融合与全色锐化 ：infrared and visible(abstract)；分类 cs.CV、eess.IV
Comments 36 pages, 11 figures. Accepted to European Conference on Computer Vision (ECCV) 2020
Methane-Plume Segmentation From Hyperspectral Satellite Imagery Via Multimodal Deep Learning
基于多模态深度学习的高光谱卫星图像甲烷羽流分割
机构 * Department of Computer Science, Universidad Industrial de Santander（计算机科学系，圣安德烈斯工业大学）
专题命中 遥感融合与全色锐化 ：multimodal fusion(abstract)；分类 cs.CV
AI总结 提出一种多模态深度学习模型，集成特征引导的甲烷增强机制，在MPDataset上取得优于现有方法的性能，实现高精度与高效率的甲烷羽流分割。
Comments Accepted at IEEE International Geoscience and Remote Sensing Symposium (IGARSS) 2026
IB-HFN: Information Bottleneck-Driven SAR-Optical Fusion Network for High-Fidelity Cloud Removal
IB-HFN: 信息瓶颈驱动的SAR-光学融合网络用于高保真云去除
机构 * Institute of Geospatial Information, Information Engineering University（测绘信息研究院，信息工程大学）
专题命中 遥感融合与全色锐化 ：multimodal fusion(abstract)；分类 cs.CV
AI总结 提出IB-HFN网络，通过双流骨干、空间信息瓶颈融合模块和联合优化策略，抑制SAR散斑噪声并保留光学细节，实现高保真云去除。
Image-Conditioned Instance Prompt Network for Referring Remote Sensing Image Segmentation
图像条件实例提示网络用于遥感图像指代分割
机构 * School of Computer Science, Northwestern Polytechnical University, Xi'an, China（西北工业大学计算机科学学院，西安，中国） ； College of Intelligent Robotics and Advanced Manufacturing, Fudan University, Shanghai, China（复旦大学智能机器人与先进制造学院，上海，中国） ； Shenzhen Research Institute of Northwestern Polytechnical University, Shenzhen, China（西北工业大学深圳研究院，深圳，中国）
专题命中 遥感融合与全色锐化 ：information fusion(abstract)；分类 cs.CV
AI总结 提出图像条件实例提示网络（ICIPNet），通过自适应视觉语义表示和双边信息融合模块，缓解跨模态特征融合瓶颈，提升遥感图像指代分割性能。
Comments 6 pages, 3 figures. Equal contribution: Biaoyu Ren and Qingsheng Wang. Corresponding authors: Dingkang Yang and Wenxuan Wang
SkySeg: Collaborative Onboard Semantic Segmentation with Heterogeneous UAVs in the Wild
SkySeg: 野外异构无人机协同机载语义分割
机构 * Harbin Institute of Technology（哈尔滨工业大学） ； ETH Zurich（苏黎世联邦理工学院） ； Huawei Cloud Algorithm Innovation Lab（华为云算法创新实验室）
专题命中 遥感融合与全色锐化 ：information fusion(abstract)；分类 cs.CV
AI总结 针对资源受限无人机在动态环境中实时语义分割的挑战，提出SkySeg异构多无人机空-空协作框架，结合高效信息融合推理与跨设备测试时自适应策略，实现低成本传感器下的机载分割，加速约3.6倍并提升精度5.91%。
SpectralEarth-FM: Bringing Hyperspectral Imagery into Multimodal Earth Observation Pretraining
SpectralEarth-FM: 将高光谱图像引入多模态地球观测预训练
机构 * Chair of Data Science in Earth Observation（地球观测数据科学主任） ； Technical University of Munich（慕尼黑技术大学） ； Remote Sensing Technology Institute（遥感技术研究所） ； German Aerospace Center (DLR)（德国航空航天中心） ； Department of Aerospace Engineering（航空航天工程系） ； University of the Bundeswehr Munich（联邦国防军慕尼黑大学） ； LEAP ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学） ； Inria（法国国家信息与自动化技术研究院） ； CNRS（法国国家科学研究中心） ； Grenoble INP（格勒诺布尔INP） ； LJK
专题命中 遥感融合与全色锐化 ：sensor fusion(abstract)；分类 cs.CV
AI总结 本文提出SpectralEarth-FM，一种用于多传感器地球观测输入的分层变压器，旨在联合处理高光谱图像与低通道观测。通过构建SpectralEarth-MM数据集，采用JEPA风格的目标进行预训练，实现了在高光谱下游任务和标准EO基准上的最佳性能。
WD-FQDet: Multispectral Detection Transformer via Wavelet Decomposition and Frequency-aware Query Learning
WD-FQDet：通过小波分解和频率感知查询学习的多光谱检测变换器
机构 * University of Electronic Science and Technology of China（电子科学与技术大学）
专题命中 遥感融合与全色锐化 ：infrared and visible(abstract)；分类 cs.CV
AI总结 本文提出WD-FQDet框架，通过小波分解和频率感知查询学习分离红外与可见光的共性与专用特征，提升多光谱目标检测性能。
MPerS: Dynamic MLLM MixExperts Perception-Guided Remote Sensing Scene Segmentation
MPerS: 动态多模态大语言模型混合专家感知引导的遥感场景分割
机构 * The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）） ； Southwest Jiaotong University（西南交通大学）
专题命中 遥感融合与全色锐化 ：multimodal fusion(abstract)；分类 cs.CV
AI总结 本文提出MPerS方法，通过设计多提示生成高质量遥感描述，结合DINOv3提取视觉特征，利用动态混合专家模块和语言查询引导注意力实现精准分割。
Comments Accepted to CVPR 2026 Findings. 11 pages, 6 figures
RoboKA: KAN Informed Multimodal Learning for RoboCall Surveillance System
RoboKA：基于KAN的多模态学习用于RoboCall监控系统
专题命中 遥感融合与全色锐化 ：multimodal fusion(abstract)；分类 cs.MM
AI总结 本文提出RoboKA，一种基于KAN的多模态融合框架，用于建模音频和语言线索之间的非线性交互，以提高RoboCall监控的召回率和F1分数。
Comments Accepted to the International Conference on Multimedia & Expo (ICME) 2026, 7th International Workshop on Surveillance Data Processing
A Data-Centric Vision Transformer Baseline for SAR Sea Ice Classification
一种面向数据的视觉Transformer基线用于SAR海冰分类
机构 * The University of Texas Permian Basin（德克萨斯大学二叠纪盆地分校）
专题命中 遥感融合与全色锐化 ：multimodal fusion(abstract)；分类 cs.CV
AI总结 本文提出一种基于SAR的视觉Transformer基线，用于解决极地海冰分类中的类别不平衡问题，通过对比不同损失函数的性能，验证了聚焦损失在稀有冰类中的有效性。
Electrolyzers-HSI: Close-Range Multi-Scene Hyperspectral Imaging Benchmark Dataset
电解槽-HSI：近景多场景高光谱成像基准数据集
机构 * Helmholtz-Zentrum Dresden-Rossendorf (HZDR) - Helmholtz Institute Freiberg for Resource Technology (HIF)（亥姆霍兹德累斯顿罗森多夫研究中心（HZDR）- 弗莱贝格亥姆霍兹资源技术研究所（HIF）） ； University of Antwerp（安特卫普大学） ； National School of Applied Sciences of Oujda（乌季达国立应用科学学院）
专题命中 遥感融合与全色锐化 ：multimodal fusion(abstract)；分类 cs.CV
AI总结 本文提出电解槽-HSI数据集，用于加速关键原材料回收，通过准确的电解槽材料分类支持定量和定性分析，评估了多种机器学习和深度学习方法以优化材料识别效率。
Journal ref Sci Data 12, 1818 (2025)
MAPLE: Multi-Path Adaptive Propagation with Level-Aware Embeddings for Hierarchical Multi-Label Image Classification
MAPLE：多路径自适应传播与层次感知嵌入用于层次多标签图像分类
机构 * Jožef Stefan Institute（约热夫·斯特凡研究所） ； Jožef Stefan International Postgraduate School（约热夫·斯特凡国际研究生院）
专题命中 遥感融合与全色锐化 ：multi-modal fusion(abstract)；分类 cs.CV
AI总结 MAPLE通过结合层次语义初始化、图结构编码和自适应多模态融合，有效提升遥感图像的层次多标签分类性能，在少样本场景下提升42%，参数开销仅增加2.6%。
Comments REO: Advances in Representation Learning for Earth Observation, accepted workshow paper at EurIPS
Lean Learning Beyond Clouds: Efficient Discrepancy-Conditioned Optical-SAR Fusion for Semantic Segmentation
在云之外的高效学习：基于光- SAR融合的语义分割框架
机构 * School of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics（南京航空航天大学计算机科学与技术学院）
专题命中 遥感融合与全色锐化 ：hybrid fusion(abstract)；分类 cs.CV
AI总结 本文提出EDC框架，通过三流编码器和Discrepancy-Conditioned Hybrid Fusion机制提升光- SAR融合的效率和鲁棒性，实验显示在M3M-CR和WHU-OPT-SAR数据集上mIoU提升0.56%和0.88%，参数量减少46.7%。
Comments 14 page, 7 figures
Remote Sensing Image Dehazing: A Systematic Review of Progress, Challenges, and Prospects
遥感图像去雾：进展、挑战与前景的系统综述
机构 * School of Artificial Intelligence and Computer Science（人工智能与计算机科学学院） ； Josef Kittler Research Institute on Artificial Intelligence（乔塞夫·基特勒人工智能研究所） ； School of Electronic Engineering（电子工程学院） ； College of Artificial Intelligence（人工智能学院） ； Aerospace Information Research Institute（航天信息研究所） ； Department of Computer Science（计算机科学系）
专题命中 遥感融合与全色锐化 ：multimodal fusion(abstract)；分类 cs.CV
AI总结 本文系统综述了遥感图像去雾的研究进展、挑战与前景，总结了超过30种方法，分析了不同模型在性能上的差异，并提出了未来研究方向。
Comments 82 pages, 23 figures,
Journal ref ISPRS P&RS 2026
Parameter-Efficient Modality-Balanced Symmetric Fusion for Multimodal Remote Sensing Semantic Segmentation
参数高效模态平衡对称融合用于多模态遥感语义分割
机构 * College of Land Science and Technology, China Agricultural University（中国农业大学土地科学与技术学院） ； Key Laboratory of Remote Sensing for Agri-Hazards, Ministry of Agriculture and Rural Affairs（农业农村部农业灾害遥感重点实验室） ； Faculty of Geosciences and Engineering, Southwest Jiaotong University（西南交通大学地质科学与工程学院） ； School of Artificial Intelligence, Sun Yat-Sen University（中山大学人工智能学院） ； Henan Polytechnic University（河南理工大学） ； Key Laboratory of Spatio-Temporal Information and Ecological Restoration of Mines, Ministry of Natural Resources of the People’s Republic of China（矿产资源时空信息与生态修复重点实验室） ； Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； National Supercomputing Center in Shenzhen, Shenzhen, China（深圳国家超算中心） ； Ministry of Education Key Laboratory for Earth System Modeling and the Department of Earth System Science, Tsinghua University（地球系统模拟教育部重点实验室和清华大学地球系统科学系）
专题命中 遥感融合与全色锐化 ：multimodal fusion(abstract)；分类 cs.CV
AI总结 本文提出MoBaNet，通过参数高效和模态平衡的对称融合框架，在减少可训练参数的同时提升多模态遥感语义分割的鲁棒性和平衡性。
Comments 14 pages, 6 figures
CGCCE-Net:Change-Guided Cross Correlation Enhancement Network for Remote Sensing Building Change Detection
CGCCE-Net：基于变化引导的跨相关增强网络用于遥感建筑变化检测
专题命中 遥感融合与全色锐化 ：information fusion(abstract)；分类 eess.IV
AI总结 CGCCE-Net通过引入变化引导的跨相关增强网络，提升遥感图像中建筑变化检测的精度和性能。
Journal ref Information Sciences, Volume 742, 2026, 123320, ISSN 0020-0255
Tighnari v2: Mitigating Label Noise and Distribution Shift in Multimodal Plant Distribution Prediction via Mixture of Experts and Weakly Supervised Learning
Tighnari v2: 通过专家混合和弱监督学习缓解多模态植物分布预测中的标签噪声和分布偏移
机构 * The University of Sydney, Sydney, New South Wales, Australia（悉尼大学） ； The University of New South Wales, Sydney, New South Wales, Australia（新南威尔士大学） ； School of Software and Microelectronics, Peking University, Beijing, China（北京大学软件与微电子学院） ； Shandong University of Technology, Zibo, Shandong, China（山东科技大学）
专题命中 遥感融合与全色锐化 ：multimodal fusion(abstract)；分类 cs.CV
AI总结 Tighnari v2通过专家混合和弱监督学习缓解多模态植物分布预测中的标签噪声和分布偏移，提升预测性能。
SOMA-1M: A Large-Scale SAR-Optical Multi-resolution Alignment Dataset for Multi-Task Remote Sensing
SOMA-1M: 一种大规模SAR-光学多分辨率对齐数据集用于多任务遥感
机构 * School of Remote Sensing Information Engineering, Wuhan University（遥感信息工程学院，武汉大学） ； Hubei LuoJia Laboratory（湖北珞珈实验室） ； Technology Innovation Center for Collaborative Applications of Natural Resources Data in GBA, Ministry of Natural Resources（粤港澳大湾区自然资源数据协同应用技术创新中心，自然资源部）
专题命中 遥感融合与全色锐化 ：image fusion(abstract)；分类 cs.CV
AI总结 SOMA-1M是首个大规模SAR-光学多分辨率对齐数据集，用于提升多任务遥感图像处理的性能和准确性。
Beyond Open Vocabulary: Multimodal Prompting for Object Detection in Remote Sensing Images
超越开放词汇：面向遥感图像的目标检测多模态提示
机构 * School of Computer Science and Engineering, Beihang University, Beijing, China（计算机科学与工程学院，北京航空航天大学，中国）
专题命中 遥感融合与全色锐化 ：multimodal fusion(abstract)；分类 cs.CV
AI总结 RS-MPOD提出了一种多模态开放词汇检测框架，通过整合视觉和文本提示提升遥感图像中目标检测的稳定性与准确性。
STARS: Shared-specific Translation and Alignment for missing-modality Remote Sensing Semantic Segmentation
STARS: 共享-特定翻译与对齐用于缺失模态遥感语义分割
机构 * State Key Laboratory of information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University（测绘遥感信息工程国家重点实验室，武汉大学） ； Electronic Information School, Wuhan University（电子信息学院，武汉大学） ； Hubei FreerTech Co. Ltd（湖北弗瑞特科技有限公司）
专题命中 遥感融合与全色锐化 ：multimodal fusion(abstract)；分类 cs.CV
AI总结 STARS通过共享-特定翻译与对齐机制，解决多模态遥感中缺失模态带来的语义分割问题，提升鲁棒性和类别识别能力。
Quantizing Space and Time: Fusing Time Series and Images for Earth Observation
量化空间与时间：融合时间序列和图像用于地球观测
机构 * IBM Research Europe（IBM欧洲研究院） ； ETH Zürich（苏黎世联邦理工学院）
专题命中 遥感融合与全色锐化 ：multimodal fusion(abstract)；分类 cs.CV
AI总结 本文提出一种任务无关的多模态融合框架，通过时间序列和图像的统一表示空间提升地球观测任务的性能。
DIS2: Disentanglement Meets Distillation with Classwise Attention for Robust Remote Sensing Segmentation under Missing Modalities
DIS2: 通过类级注意机制实现解耦与蒸馏以在缺失模态下实现鲁棒的遥感分割
机构 * Queensland University of Technology（昆士兰理工大学） ； Shield AI
专题命中 遥感融合与全色锐化 ：hybrid fusion(abstract)；分类 cs.CV
AI总结 DIS2通过类级注意机制实现解耦与蒸馏，以在缺失模态下实现鲁棒的遥感分割。
Comments Accepted to WACV 2026 - Computer Vision for Earth Observation Workshop
Exchange Is All You Need for Remote Sensing Change Detection
交换即为远程感知变化检测所需
专题命中 遥感融合与全色锐化 ：information fusion(abstract)；分类 cs.CV
AI总结 SEED通过参数无关的特征交换替代显式差分，实现高效且稳健的遥感变化检测。
Any-Optical-Model: A Universal Foundation Model for Optical Remote Sensing
Any-Optical-Model: 一种通用的光学遥感基础模型
专题命中 遥感融合与全色锐化 ：sensor fusion(abstract)；分类 cs.CV
AI总结 Any-Optical-Model提出了一种通用的光学遥感基础模型，能够适应任意波段配置、传感器类型和分辨率尺度，通过多尺度自适应补丁嵌入和语义对齐机制实现光谱-空间关系建模，有效提升遥感任务的泛化能力和实际应用性能。
Comments Accepted by AAAI2026
A Unified Framework with Multimodal Fine-tuning for Remote Sensing Semantic Segmentation
多模态微调的统一框架用于遥感语义分割
机构 * School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）科学与工程学院） ； School of Information Science and Engineering, Wuhan University of Science and Technology（武汉科技大学信息科学与工程学院） ； Department of Geography, The University of Hong Kong（香港大学地理系）
专题命中 遥感融合与全色锐化 ：multimodal fusion(abstract)；分类 cs.CV
AI总结 本文提出了一种多模态微调的统一框架，用于改进遥感语义分割的性能，通过引入新的MFNet和DFM模块，显著提升了多模态数据的分割效果。
Comments 15 pages, 11 figures
Journal ref IEEE Transactions on Geoscience and Remote Sensing, vol. 63, pp. 1-15, 2025, Art no. 5405015
MM-DETR: An Efficient Multimodal Detection Transformer with Mamba-Driven Dual-Granularity Fusion and Frequency-Aware Modality Adapters
MM-DETR: 一种高效的多模态检测Transformer，采用Mamba驱动的双粒度融合和频率感知模态适配器
机构 * School of Information and Electronics, Beijing Institute of Technology（信息与电子学院，北京理工大学） ； Beijing Institute of Technology Chongqing Innovation Center（北京理工大学重庆创新中心） ； National Key Laboratory for Space-Born Intelligent Information Processing（空间智能信息处理国家级重点实验室） ； School of Automation, Beijing Institute of Technology（自动化学院，北京理工大学）
专题命中 遥感融合与全色锐化 ：multimodal fusion(abstract)；分类 cs.CV
AI总结 MM-DETR通过Mamba驱动的双粒度融合和频率感知模态适配器，实现高效的多模态目标检测，提升检测精度与轻量化性能。
Comments Manuscript submitted to IEEE Transactions on Geoscience and Remote Sensing
