G-ZAP: A Generalizable Zero-Shot Framework for Arbitrary-Scale Pansharpening¶
会议: ECCV 2026
论文: ECCV 原文
领域: 遥感
关键词: 全色锐化、零样本学习、任意尺度、隐式神经表示、跨传感器泛化
一句话总结¶
G-ZAP 用带尺度条件的隐式神经表示（INR）做全色锐化的融合骨干，配一套「全分辨率无监督光谱一致性 + 两级降分辨率构造监督」的三级协同训练，仅用测试图像对本身现场训练就能在任意放大倍率下输出 HRMS，并且训好的权重可直接复用到未见的图像对、场景与传感器上。
研究背景与动机¶
卫星遥感受硬件限制，很难直接拍到同时具备高空间分辨率和高光谱分辨率的多光谱影像，工程上的折中是同时采集两类互补数据：低分辨率多光谱（LRMS）图与高分辨率全色（PAN）图。全色锐化就是把这两者融合成高分辨率多光谱（HRMS）图。这条技术线从成分替换（CS）、多分辨率分析（MRA）、变分优化（VO）等模型驱动方法，逐步过渡到数据驱动的深度学习方案；后者在空间细节保真与光谱保真上都明显超过传统方法，但几乎全部依赖在「模拟降分辨率数据集」上做大规模预训练。
真正的问题出在部署环节。模拟降分辨率数据与真实全分辨率数据之间存在分布错配（train–test distribution mismatch），模型在全分辨率真实影像上的表现往往达不到模拟基准上的水平，还要额外付出采集大量外部配对数据的代价。零样本全色锐化（PsDip、ZS-Pan 等）正是针对这一点：只用一对输入图像从零开始训练模型，从而绕开外部数据与分布错配。但它们把「免配对数据」的代价转嫁到了效率上——每换一对图像就要重新优化一整套参数，权重无法复用；不少方法还需要准确估计空间保真度来平衡光谱保真，方法论更重、算力开销更大。第三重限制是尺度：绝大多数方法只能输出与 PAN 尺寸一一对应的固定分辨率 HRMS，而实际应用往往需要多样的输出分辨率，固定尺度会直接损失细节清晰度。
已有的特征型隐式神经表示（feature-based INR，如 LIIF 及其变体）提供了一条不同的路：它用一个共享的连续函数空间隐式表示不同图像，天然支持任意分辨率的坐标查询；INF³、FeINFN 也已把 INR 用于图像融合。但它们仍然走「预训练—测试」范式，需要外部数据，且没有解决权重逐图失效的问题。本文的切入角度是：既然 INR 的查询是尺度条件的、函数空间是共享的，那么把它直接放进零样本设定、并设计一套能让同一套参数同时对齐多个分辨率的训练方案，就有机会同时拿到「只用测试数据」「任意尺度」「权重可复用」三点。核心 idea：以特征型 INR 融合网络（INRConv）为骨干，用传感器 MTF 把输入退化出三个分辨率层级，全分辨率层用无监督光谱一致性对齐真实推理条件，两个降分辨率层用「LRMS 天然就是 PAN 下采样版」这一事实构造伪真值做监督，让同一套尺度条件的权重在任意倍率下都成立，并在跨图像对、跨场景、跨传感器时直接复用。
方法详解¶
整体框架¶
输入是 PAN 影像 \(P\in\mathbb{R}^{H\times W}\)、LRMS 影像 \(Y\in\mathbb{R}^{h\times w\times c}\) 以及目标放大倍率 \(N\)，输出是对应倍率的高分辨率多光谱影像 \(X_{\times N}\)。整条链路分两截：前半截是 INRConv 融合骨干，把 PAN 沿通道维复制到与 LRMS 同波段数、把 LRMS 上采样 \(r=H/h\) 倍到 PAN 分辨率，拼接后送进编码器得到一份定义在 PAN 离散网格上的融合特征图；再按 \(N\) 生成目标坐标网格，对每个目标点在特征图上做四点邻域查询与面积加权聚合，得到目标分辨率的稠密特征，最后用两个轻量卷积层解码成 HRMS。后半截是训练侧：模型不是拿外部数据训练的，而是拿这一对 PAN/LRMS 自己退化出三个分辨率层级（全分辨率、\(1/r\)、\(1/r^2\)），三个层级共用同一套 INRConv 参数，分别施加无监督的光谱一致性损失和两条构造监督损失，联合优化。训练结束后，把 \(N\) 设成任意值即可直接推理，无需重训。
%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
A["PAN + LRMS 图像对<br/>+ 目标倍率 N"] --> B["尺度条件的隐式点查询融合<br/>编码 → 四点查询<br/>面积加权 → 卷积解码"]
A --> C["传感器 MTF 退化<br/>构造 1/r 与 1/r² 两级输入"]
B --> D["全分辨率光谱一致性约束<br/>N=1 输出 MTF 退化<br/>再下采样与 LRMS 比对"]
C --> E["多尺度构造监督<br/>1/r 层用 LRMS 监督<br/>1/r² 层约束 N=1 与 N=4"]
D --> F["共享参数联合优化"]
E --> F
F --> G["权重复用<br/>一套权重跨图像对<br/>场景与传感器"]
G --> H["任意尺度 HRMS×N 输出"]关键设计¶
1. 尺度条件的隐式点查询融合：把「放大倍率」变成喂给 MLP 的输入，而不是写死在卷积核里
卷积网络的输出分辨率是写死在权重里的——转置卷积的核尺寸、步长决定了它只能产出某一个倍率，换倍率就得换一个模型；而已有的 INR 融合方法虽然能查询任意坐标，却都建立在预训练范式上，先要有大量配对数据才谈得上泛化。G-ZAP 要的是「一套权重 + 任意倍率 + 只用测试图像对训练」，这要求尺度必须是模型的输入条件而非结构约束。
具体做法是：EDSR 主干编码器把通道复制后的 PAN 与上采样后的 LRMS 拼起来，编码成定义在 PAN 离散网格上的融合特征图 \(\mathcal{F}\)；给定目标倍率 \(N\)，在归一化域 \([-1,1]^2\) 上生成 \(HN\times WN\) 的目标坐标网格。对每个目标点 \(q\)，先取它在 \(\mathcal{F}\) 网格上的四个最近邻 \(z_t\)（左上/右上/左下/右下），然后不是做普通的双线性插值，而是让一个小 MLP 同时吃三样东西：该邻域点的局部特征 \(\mathcal{F}(z_t)\)、目标点相对该邻域的偏移 \(q-z_t\)、以及编码了目标倍率 \(N\) 的 cell size \(s\)，输出该邻域对 \(q\) 的潜在响应 \(v_t\)。最后按四个邻域与 \(q\) 所构成子区域的面积加权聚合：
其中 \(S_t\) 是邻域 \(z_t\) 对应的对角子区域面积。把所有目标坐标并行查询一遍就得到目标分辨率的稠密特征图，再由两个轻量卷积层解码成 HRMS。
关键在 cell size \(s\)：它把「一个特征点要覆盖多大范围」显式地告诉 MLP，于是同一套参数在不同 \(N\) 下收到不同的尺度条件，可以给出连贯且各自正确的输出；面积加权聚合则让低倍率下共享同一 cell 的多个目标点自然继承该 cell 的覆盖范围，避免了直接坐标查询在小倍率下容易出现的混叠。另外把卷积放在 MLP 之后（而不是之前）是刻意为之——这是沿用 INF³ 的观察，轻量卷积可以缓解 INR 的过拟合，而零样本设定下过拟合几乎是最致命的失败模式。
2. 全分辨率光谱一致性约束：在真实推理分辨率上做自洽，且完全不需要空间保真项
零样本方法最难处理的是全分辨率那一层：那里没有任何真值可以监督。已有做法要么引入复杂的空间保真度建模（还要求估计得准），要么干脆放弃全分辨率监督、只在降分辨率上训练——后者又退回了分布错配。G-ZAP 的选择是：在真正的推理分辨率上，只加一条可解释、几乎零额外开销的光谱一致性约束，完全不碰空间保真项。
Level 0 让 INRConv 在 \(N=1\) 下直接处理原始分辨率的 \(P\) 与 \(Y\)，输出全分辨率 HRMS 估计；随后把这份估计按该传感器专属的 MTF（调制传递函数）做空间模糊，再下采样到 LRMS 分辨率，要求结果与观测到的 LRMS 输入一致，用 \(\ell_1\) 度量：
（该式在缓存全文里被 LaTeX 抽取损毁，此处按正文描述重建 ⚠️ 以原文为准。）这条约束只要求「全分辨率输出退化回低分辨率后仍与观测一致」，不需要任何真值，也刻意不引入空间保真项——这正是作者强调的第三点贡献：在不依赖空间保真约束的前提下拿到更好的结果。消融也印证了它的分量：去掉 \(\mathcal{L}_{(0)}\) 掉点最多（WV3 HQNR 从 0.9585 降到 0.9276，WV2 从 0.9226 降到 0.8781）。MTF 在这里不只是个模糊核，它是传感器相关的退化算子，L0/L1/L2 三层共用同一套退化建模，既保证三个层级的退化与真实传感器一致，也让跨传感器推理时无需重新学退化。
3. 多尺度构造监督：用后退化造出的「伪真值」把 4× 与 16× 的尺度关系钉死
只有 Level 0 的话，模型从没见过「输入分辨率低于输出分辨率」的情形，INR 的 cell size 条件等于没被用起来；但一味加降分辨率训练又会把模型推向与真实推理不一致的分布。本文的折中点是「构造监督」（constructed supervision），它利用了一个全色锐化特有的结构事实：LRMS 本来就是 PAN 的下采样版本，所以把 PAN 和 LRMS 一起再退化一级，得到的 LRMS 就自动成了一个合法的参考真值——不需要任何外部数据，也能造出对齐的配对监督。
Level 1 把 \(P\)、\(Y\) 先用传感器 MTF 模糊再下采样 \(r\) 倍，得到 \(P_{1/r}\)、\(Y_{1/r}\)，让 INRConv 在 \(N=1\) 下重建，输出与原始 LRMS 图像 \(Y\) 对齐（\(P_{1/r}\) 的分辨率恰好是 \(h\times w\)，与 \(Y\) 同尺寸，监督完全对齐）。Level 2 在 Level 1 的输入上再退化一级得到 \(P_{1/r^2}\)、\(Y_{1/r^2}\)，然后同时开两条支路：\(N=1\) 的输出对齐 \(Y_{1/r}\)，\(N=4\) 的输出直接对齐原始 \(Y\)：
（同样为按正文重建 ⚠️ 以原文为准。）以 \(r=4\) 计，Level 2 的输入只有 PAN 分辨率的 \(1/16\)，而 \(N=4\) 支路要求它把这份输入重建到 \(h\times w\)。也就是说这一级同时把 Level 1 学到的 4× 关系再巩固一遍，又把相对于 Level-0 全分辨率的 16× 尺度跨度纳入训练：同一个函数空间要同时满足多组「输入分辨率 → 输出分辨率」的映射，cell size 这个尺度条件才真正被用起来、变得敏感。消融显示 \(\mathcal{L}_{(2)}\) 单项贡献最小（WV3 HQNR 只掉 0.0074），但它守的是高倍率下的锐度——去掉之后高分辨率区域纹理明显变糊、细结构丢失。
4. 权重复用：把逐图优化摊成一次训练，并因此拿到更好的跨传感器表现
零样本的「免配对数据」是靠逐图重训换来的：PsDip 约 285 s/对、UCL 约 463 s/对、ZS-Pan 约 67 s/对，换一对图像就要从头再来，时间和硬件开销无法摊销。而在遥感影像里，不同场景之间的结构与纹理高度相似，这提示权重未必需要绑定在某一对图像上。
G-ZAP 训练完成后，权重可以原样迁移到未见图像对：8 波段设定下，用 WV3 上训好的模型直接推理 WV3 与 WV2，不做任何重训；4 波段设定下，用 GF2 训好的模型推理全部测试对（该变体记作 G-ZAP∗）。这样训练开销被摊薄到多张图上，单图推理时间降到 4.23 s（WV3）/ 0.14 s（WV2）。作者把这种可迁移性归因于特征型 INR 的性质：相比纯卷积特征，它可以被看作一种表达能力更强的插值机制，能更好地利用遥感图像中跨场景共享的结构与纹理，因此在图像特性发生变化（跨传感器）时也更稳。最直接的证据来自骨干替换消融——把 INRConv 换成纯卷积的 FusionNet、其余设置不变，FusionNet 在 WV2 的权重复用设定下相对自身的逐图训练出现明显下滑，而 INRConv 保持稳定。
一个完整示例¶
以 PanCollection 的 WV3 为例：PAN 裁到 \(512\times512\)、8 波段，\(r=4\)，故 LRMS 为 \(128\times128\)。
Level 0 用原始 \(P\ (512\times512)\) 与 \(Y\ (128\times128)\)，设 \(N=1\)，输出 \(512\times512\)，再 MTF 模糊 + 下采样到 \(128\times128\) 与 \(Y\) 算 \(\ell_1\)。Level 1 把 \(P\)、\(Y\) 各退化一级，得 \(P_{1/4}\ (128\times128)\) 与 \(Y_{1/4}\ (32\times32)\)，设 \(N=1\) 输出 \(128\times128\)，与 \(Y\) 比。Level 2 再退化一级，得 \(P_{1/16}\ (32\times32)\) 与 \(Y_{1/16}\ (8\times8)\)，两条支路同时算：\(N=1\) 的输出 \(32\times32\) 对齐 \(Y_{1/4}\)，\(N=4\) 的输出 \(128\times128\) 对齐 \(Y\)。
三层的输入分辨率、监督目标和 \(N\) 设置各不相同，但用的是同一套 INRConv 参数，每步只是换输入与倍率配置。训练完这一对之后，把 \(N\) 设成 1.6、2、3.4、4 等任意值，同一套权重就能直接输出对应分辨率的 HRMS——这也解释了为什么它能把权重直接搬到完全没见过的 WV2 上。整个流程只用到这一对图像，没有任何外部 HR/LR 配对。
损失函数 / 训练策略¶
总目标为三层的加权和：\(\mathcal{L}_{\text{total}}=\alpha\,\mathcal{L}_{(0)}+\beta\,\mathcal{L}_{(1)}+\gamma\,\mathcal{L}_{(2)}\)。权重取 \(\alpha=\beta=1\)，\(\gamma\) 在 8 波段设定下取 0.2、4 波段设定下取 4（原文未解释为何相差 20 倍 ⚠️ 以原文为准）。优化用 Adam，初始学习率 \(5\times10^{-4}\)，训练 500 个 epoch，硬件为单张 NVIDIA RTX 3090（24 GB）加 AMD EPYC 7402。作为对照，基线中的预训练深度模型只使用 WV3 与 GF2 的训练集（分别对应 8 波段与 4 波段配置），而 G-ZAP 只从测试的那一对 PAN/LRMS 出发，不使用任何外部 HR/LR 配对。
实验关键数据¶
主实验¶
数据来自 PanCollection 的 WorldView-3（WV3）、GaoFen-2（GF2）、WorldView-2（WV2）三个数据集，PAN 统一裁到 \(512\times512\)，WV3/WV2 为 8 波段、GF2 为 4 波段。由于目标是真实场景、没有真值，评估主要在全分辨率下做，用三个无参考指标：HQNR（综合指标，由 \(D_s\) 与 \(D_\lambda\) 合成）、\(D_s\)（空间失真，越低越好）、\(D_\lambda\)（光谱失真，越低越好）。对比方法涵盖传统方法（BT-H、C-BDSD、BDSD-PC、MTF-GLP-FS、MF）、预训练深度模型（FusionNet、LAGNet、FusionMamba、WFANet）与零样本方法（PsDip、ZS-Pan、UCL）。G-ZAP∗ 是权重复用变体：8 波段用 WV3（id=0）训好的模型直接推理 WV3 与 WV2，4 波段用 GF2（id=0）训好的模型推理全部测试对。
下表列出与前 SOTA（各数据集上最强的非 G-ZAP 方法，粗体为最优，下划线为次优）的对比：
| 数据集 | 方法 | HQNR↑ | \(D_\lambda\)↓ | \(D_s\)↓ |
|---|---|---|---|---|
| GF2（4 波段，同域） | FusionMamba（前 SOTA） | 0.9536 | 0.0174 | 0.0295 |
| GF2 | G-ZAP∗（权重复用） | 0.9569 | 0.0188 | 0.0246 |
| GF2 | G-ZAP | 0.9706 | 0.0181 | 0.0115 |
| WV3（8 波段，同域） | FusionMamba（前 SOTA） | 0.9550 | 0.0183 | 0.0272 |
| WV3 | G-ZAP∗ | 0.9574 | 0.0187 | 0.0244 |
| WV3 | G-ZAP | 0.9585 | 0.0187 | 0.0233 |
| WV2（跨传感器） | UCL（最强零样本基线） | 0.9201 | 0.0228 | 0.0585 |
| WV2 | G-ZAP | 0.9226 | 0.0304 | 0.0486 |
| WV2 | G-ZAP∗ | 0.9367 | 0.0195 | 0.0450 |
消融实验¶
逐个去掉三个损失项，其余设置不变，在 WV3（同域）与 WV2（跨传感器）上评估：
| 配置 | HQNR↑（WV3 / WV2） | \(D_\lambda\)↓（WV3 / WV2） | \(D_s\)↓（WV3 / WV2） | 说明 |
|---|---|---|---|---|
| G-ZAP（完整） | 0.9585 / 0.9226 | 0.0187 / 0.0304 | 0.0233 / 0.0486 | 三级损失全开 |
| w/o \(\mathcal{L}_{(0)}\) | 0.9276 / 0.8781 | 0.0279 / 0.0496 | 0.0459 / 0.0760 | 去掉全分辨率光谱一致性，掉点最多 |
| w/o \(\mathcal{L}_{(1)}\) | 0.9377 / 0.8970 | 0.0181 / 0.0313 | 0.0451 / 0.0743 | 去掉 \(1/r\) 构造监督，空间失真显著恶化 |
| w/o \(\mathcal{L}_{(2)}\) | 0.9511 / 0.9178 | 0.0185 / 0.0264 | 0.0310 / 0.0574 | 去掉 \(1/r^2\) 多尺度监督，掉点最小但细节变糊 |
另一组是与零样本方法在耗时上的对比（秒，越低越好）：
| 方法 | WV3 时间↓ | WV3 HQNR↑ | WV2 时间↓ | WV2 HQNR↑ |
|---|---|---|---|---|
| PsDip | 285.37 | 0.9215 | 280.23 | 0.8980 |
| ZS-Pan | 67.24 | 0.9449 | 68.52 | 0.9112 |
| UCL | 463.22 | 0.9482 | 464.41 | 0.9201 |
| G-ZAP（逐图训练） | 79.03 | 0.9585 | 78.58 | 0.9226 |
| G-ZAP∗（权重复用） | 4.23 | 0.9574 | 0.14 | 0.9367 |
关键发现¶
- Level 0 是三级里最不可替代的一环：去掉它在 WV3/WV2 上 HQNR 分别掉 0.0309 / 0.0445，且 \(D_\lambda\) 与 \(D_s\) 同时恶化。说明「在真实推理分辨率上加一条自洽约束」比单纯增加降分辨率监督更有效，也支持了「训练条件应当与部署条件对齐」这一判断。
- 三层分工不同，不是简单叠加：去掉 \(\mathcal{L}_{(1)}\) 后 WV3 的 \(D_\lambda\) 反而略好于完整模型（0.0181 vs 0.0187），但 \(D_s\) 从 0.0233 恶化到 0.0451——\(1/r\) 层的贡献主要在空间细节，而非光谱。三层各自把住分布对齐、空间对齐、尺度对齐三件事。
- 权重复用在跨传感器上不只是「不掉点」，甚至反超逐图训练：WV2 上 G-ZAP∗ 的 HQNR 0.9367 高于 G-ZAP 的 0.9226（同域 WV3 上两者接近：0.9574 vs 0.9585）⚠️ 原文只给数字未作解释。一个可能的原因是 WV2 单对图像提供的自监督信号弱于 WV3 上已学到的通用先验，但这是推测。
- 骨干替换是权重可复用性的关键证据：同设置下把 INRConv 换成纯卷积 FusionNet，后者在 WV2 的权重复用设定下相对自身逐图训练明显下滑，INRConv 则保持稳定——支持「特征型 INR 是更强的插值机制、因而更可迁移」的解释。
- 效率优势完全来自权重复用，而非单次训练更快：逐图训练的 G-ZAP 在 WV3 上要 79.03 s，反而比 ZS-Pan 的 67.24 s 更慢；只有 G-ZAP∗ 才达到 4.23 s / 0.14 s。原文「只需数秒甚至亚秒」的说法只在权重复用变体下成立。
- 高倍率下的细节锐度依赖 \(\mathcal{L}_{(2)}\)：去掉后高分辨率区域纹理变糊、细结构丢失，但 HQNR 只掉 0.0074，说明这个损失的作用更多体现在视觉细节而非无参考指标上。
亮点与洞察¶
- 把「任意尺度」做成输入条件而不是结构约束：cell size \(s\) 与相对坐标一起喂给 MLP，等于把倍率信息编码进查询本身，同一套权重就能覆盖连续尺度谱；这比「为每个倍率训一个模型」或「固定倍率 + 后处理缩放」都更干净，而且天然兼容跨分辨率的多层级训练——因为不同层级本来就对应不同的 \(s\)。
- 「构造监督」利用的是任务自身的结构冗余：LRMS 本身就是 PAN 的下采样版，于是把两者一起再退化一级，凭空得到一个对齐的伪真值。这个 trick 不依赖任何外部数据，也不引入新的假设，凡是「配对的两种模态存在分辨率比例关系」的任务（高光谱—多光谱融合、深度—RGB、医学多模态）都可以照搬。
- 刻意不做空间保真项是一个有分量的设计决策：以往零样本方法需要估计空间保真度来平衡光谱保真，本文证明在合适的三级训练下，只用光谱一致性加构造监督就够了，省掉了估计误差来源和额外算力。
- 权重复用的论证方式值得借鉴：作者没有只报一个「复用后掉点很少」，而是用「换掉骨干后复用失效」来做对照，把「INR 带来的可迁移性」从一个说法变成了一条可证伪的证据链。
- 可迁移到更一般的逐图自监督任务：任何「无真值、逐样本自监督优化」的设定（内部学习式超分、单图去噪、测试时自适应）都可以试着问一句——如果把优化目标拆成多个可构造的层级、并引入一个共享函数空间，能不能把逐样本优化换成「一次训练 + 权重复用」。
局限与展望¶
- 逐图训练仍然不便宜：G-ZAP 本体要 79.03 s/对，比 ZS-Pan 的 67.24 s 更慢，跨传感器上还不一定赢过自己的权重复用变体。论文把「高效」归给 G-ZAP∗，但 G-ZAP∗ 的代价是引入了「用哪一对图像当种子」这个新的超参数——原文固定用 id=0，没有分析种子对选择的影响。
- 任意尺度只有视觉证据：×1、×1.6、×2、×3.4、×4 的结果只给了视觉效果图，没有定量指标。原因是 HQNR/\(D_s\)/\(D_\lambda\) 这类全分辨率无参考指标本身定义在固定分辨率上，但论文至少可以用退化后再评估、或跨尺度自一致性来补一个定量信号，目前无法判断高倍率下数值退化的幅度。
- 跨传感器只覆盖一种组合：仅验了 8 波段 WV3 → 8 波段 WV2。波段数不同的传感器之间（4 波段 ↔ 8 波段）能否复用权重、编码器是否需要按波段数重训，论文没有讨论；而两组实验的 \(\gamma\)（8 波段 0.2、4 波段 4，相差 20 倍）暗示波段数确实改变了损失的敏感度，原文同样没有解释。
- 评估指标单一：全分辨率下只有 HQNR、\(D_s\)、\(D_\lambda\) 三个无参考指标（且它们并非彼此独立，HQNR 本身由后两者合成），缺少与其他无参考评价体系的交叉验证；也没有报告多次运行的方差，看不出 0.001–0.005 量级的差距是否稳定。
- 可改进方向：一是把构造监督推广到非整数退化因子（目前退化链是 \(r\) 与 \(r^2\)，与训练用的 \(N=1,4\) 硬绑定），使尺度条件在训练中真正连续；二是给权重复用加一个轻量的元学习/自适应环节，让复用权重能按目标传感器做几步微调，兼顾效率和跨传感器精度；三是把「选哪对图像当种子」变成可优化的选择问题。
相关工作与启发¶
- vs ZS-Pan / PsDip（传统零样本）：同样是测试时训练、不用外部数据，区别在于三点——他们逐对图像重训（285 s / 67 s 量级），本文训一次可复用；他们依赖空间保真度估计来平衡光谱保真，本文只用光谱一致性加构造监督；他们固定在 PAN 对应分辨率，本文支持任意倍率。
- vs UCL（无监督系数学习的变分零样本框架）：WV2 上 UCL 的 HQNR 0.9201 与 G-ZAP 的 0.9226 接近，但 UCL 单对耗时 463.22 s，是 G-ZAP∗ 的千倍量级；本文的差距主要体现在可部署性而非精度。
- vs INF³ / FeINFN（特征型 INR 融合）：本文的骨干设计与它们同源（同样采用「INR 查询 + 后接轻量卷积抑制过拟合」的思路），但那些方法走预训练—测试范式、需要外部数据；本文把 INR 放进零样本设定，并把尺度条件用于多层级协同训练。
- vs LIIF / UltraSR（特征型 INR 超分）：继承了「局部隐式图像函数 + 四点邻域 + 面积加权聚合」的骨架，但把单输入图像超分扩展成 PAN/LRMS 双输入的融合问题，并且 cell size 的作用从单纯的尺度编码升级为跨分辨率训练的耦合点。
- vs FusionNet / FusionMamba / WFANet（预训练深度模型）：这些方法在模拟降分辨率数据上训练，模拟基准上很强，但在本文的消融里 FusionNet 一旦换到跨传感器的权重复用设定就明显退化；说明预训练范式的泛化瓶颈不只在数据量，也在纯卷积特征本身的可迁移性。
评分¶
- 新颖性: ⭐⭐⭐⭐ 把特征型 INR 与零样本全色锐化结合并给出三级协同训练与权重复用，组合与训练方案都有实质新意，「任意尺度」的实现方式（尺度作为查询条件）也比为每级训一个模型更本质。
- 实验充分度: ⭐⭐⭐ 三个真实数据集、四大类基线、三类消融（损失项、骨干、耗时）覆盖得不错，但任意尺度缺定量评估、跨传感器只验一种组合、没有方差报告，且逐图训练在耗时上并不占优这一点被表述得偏乐观。
- 写作质量: ⭐⭐⭐ 三级训练的分工讲得清楚、框架图与损失定义完整，但若干公式在排版中丢失、部分设计选择（如 \(\gamma\) 的取值差异、WV2 上权重复用反超）没有解释。
- 价值: ⭐⭐⭐⭐ 「一次训练跨图跨传感器复用 + 任意尺度」对真实遥感部署很有吸引力，构造监督的思路也可直接迁移到其他多分辨率融合任务。