本文探讨了多种基于遮蔽自编码器（MAE）的遥感图像自监督学习方法，如SatMAE、SS-MAE和Cross-Scale MAE，展示了它们在多光谱和高光谱数据分类中的优越性。研究表明，这些方法通过改进的预训练框架和多模态数据融合，显著提升了遥感图像的分类和重建性能。

本文提出卷积科尔莫戈洛夫-阿诺德网络（Convolutional KANs），通过将非线性激活函数集成到卷积中，显著减少参数量并保持准确性。研究表明，KAN在图像分类任务中表现优越，尤其在高光谱图像分类中，提供了高效的替代方案。

本文提出了一种适用于实时和资源有限应用的嵌入式高光谱波段选择方法，利用自适应随机门算法。研究还介绍了带选择搜索基准（BSS-Bench），包含52k个记录，便于重现和比较波段选择实验。此外，提出的高效单次训练方法（SCOS）在多个任务上优于现有方法，减少了训练需求。

本研究比较了多种高光谱和泛光谱技术，提出了基于深度学习的全色增强方法，如SSDiff和MSDCNN，显示出在遥感影像处理中的优越性，实验结果表明这些新技术在图像质量和细节捕捉方面显著优于传统方法。

本文提出了一种基于变分的方法融合高光谱和多光谱图像，设计了稀疏正则化项，仿真结果显示其效率优于现有方法。同时，介绍了平行因子分解的信道估计方法和基于深度神经网络的非线性模型，均在各自领域展现出优势。