这是我的投稿论文，编辑的意见是修改后重投其他的期刊，以下是审稿意见，应该如何修改原文，有哪些重要的地...

我先说明一下：你上传的文件里是论文正文，我这边没有看到真正的外审意见原文。所以我先按“逆向审稿”的方式，基于稿件本身判断最可能被编辑/审稿人卡住的地方，再给你一个可直接执行的重写方案。你这篇稿子的问题，大概率不是结果差，而是创新点表达分散、证据链不够闭环、论文叙事更像模块叠加而不是一个明确科学问题的解决方案。(TGRS-2025-10151_Proof_hi.pdf)

一、最该优先改的，不是结果表，而是“创新性主线”

你们现在的写法是：

• SL-MMHA 是一个贡献
• Head Attention 是一个贡献
• CAB 是一个贡献
• 实验结果又是一个贡献

这种写法很容易让审稿人产生一个判断：这是在 Swin / window attention / 多尺度卷积 上做了三处工程性改造，再把它们拼起来。而且把“实验结果好”写成 contribution，会进一步削弱“方法本身的原创性”。(TGRS-2025-10151_Proof_hi.pdf)

但其实你们文章里真正最有价值的，不是“三个模块”，而是 Motivation 里提出的那个核心矛盾：

HS-MS fusion 中，
想保留光谱保真度，就需要小 token / 甚至 1×1 token；
想扩大空间感受野，又往往依赖 patch merging / hierarchical attention；
这两者天然冲突。

你们后面的多尺度卷积、head attention、center attention，本质上都是在服务这个主问题。这个逻辑在 Motivation 里已经写出来了，但现在没有被提升成整篇文章的主线。(TGRS-2025-10151_Proof_hi.pdf) (TGRS-2025-10151_Proof_hi.pdf)

你应该把创新性重写成一句话

不要再写成“三个点并列”。

更好的核心表述是：

本文的核心创新不是又提出了三个注意力模块，而是提出了一种 token-preserving 的轻量化 HS-MS fusion 框架，用不依赖 patch merging 的方式，同时兼顾 per-pixel spectral fidelity、multi-scale spatial context 和 boundary reconstruction。

然后再说：

• 为了保留光谱，不做 patch aggregation，而用 1×1 pixel token；
• 为了补偿感受野缩小，引入多尺度卷积 + 单层跨尺度 head interaction；
• 为了解决 window 边界上下文缺失，引入 center attention。

这样一改，文章会从“模块堆叠”变成“围绕一个明确矛盾设计的完整解决方案”。这就是你们最该重写的地方。(TGRS-2025-10151_Proof_hi.pdf) (TGRS-2025-10151_Proof_hi.pdf) (TGRS-2025-10151_Proof_hi.pdf)

---

二、我判断最容易被质疑的 6 个问题

1）创新点拆得太碎，且“主创新”不够聚焦

当前 contributions 直接列 SL-MMHA、Head Attention、CAB、实验结果，容易被看成 incremental engineering。(TGRS-2025-10151_Proof_hi.pdf)

怎么改： 把贡献改成“1 个核心方法学贡献 + 2 个支撑机制 + 1 个实验发现”，不要四个并列创新。

建议改成：

1. We identify the spectral-fidelity / receptive-field trade-off caused by token aggregation in Transformer-based HS-MS fusion.
2. We propose a token-preserving lightweight fusion framework that expands spatial context without patch merging.
3. Within this framework, head-wise cross-scale interaction and center-aligned local attention are introduced to improve multi-scale communication and boundary reconstruction.
4. Extensive experiments verify that this design yields a better accuracy–efficiency trade-off.

这样更像“方法学贡献”，不像“拼模块”。

---

2）摘要和正文里对“single-layer” 的表述可能会被抓

摘要和贡献里一直强调 “single self-attention layer” / “Single-Layer MMHA”，但网络结构部分又明确写了有 m 个 FIM layer，每层还有 n 个 MMH block，所以这个说法很容易让人觉得概念上夸大了。(TGRS-2025-10151_Proof_hi.pdf) (TGRS-2025-10151_Proof_hi.pdf)

怎么改： 把 “single-layer” 限定到模块内部机制，不要让人误解成整个网络只有一层 attention。

例如改成：

• 不说 “achieves ... within a single self-attention layer”
• 改说 “each MMH block performs multi-scale interaction within a single attention stage, avoiding hierarchical patch merging”

这样更准确。

---

3）“simulated and real-world datasets” 这个表述前后不一致

摘要里说是 “simulated and real-world datasets”，但实验设置部分又写得很清楚：LR-HSI 和 HR-MSI 是由已有 HR-HSI 通过 blur、downsampling 和 Nikon D700 spectral response 合成出来的。这个写法会让审稿人质疑：你们到底有没有真正的 real sensor pair 实验？ (TGRS-2025-10151_Proof_hi.pdf) (TGRS-2025-10151_Proof_hi.pdf)

怎么改： 如果确实没有真实成对传感器数据，就把所有 “real-world datasets” 改成：

• “benchmark datasets containing natural and remote-sensing scenes”
• 或者 “simulated fusion settings on standard indoor and remote-sensing HSI benchmarks”

除非你们能补一个真正的 real-data experiment，否则这里一定要降调，不然很容易被认为表述不严谨。

---

4）“lightweight” 证据不完整

你们在 Motivation 里专门推了复杂度和参数增长公式，核心卖点又是 lightweight，但正文实验表里基本只展示了 params，没有系统给出 FLOPs、推理时间、显存占用、不同尺寸下的 latency。这会让“轻量化”只成立一半。(TGRS-2025-10151_Proof_hi.pdf) (TGRS-2025-10151_Proof_hi.pdf)

怎么改： 重投前一定补一个 efficiency table，至少包含：

• Params
• FLOPs/MACs
• Inference time per image
• Peak GPU memory
• 在不同输入尺寸下的 runtime curve

否则审稿人很容易说：你只是参数少，不等于真正轻量。

---

5）对比实验的“公平性”会被质疑

你们把一些 pansharpening 方法做了结构适配：用 HR-MSI 替换 PAN，用 LR-HSI 替换 LR-MSI，同时“保留核心架构不变”。这种做法并非不能做，但很容易被问一句：这些 baseline 是否真的适用于 HS-MS fusion setting？适配后是否仍代表它们的最佳性能？ (TGRS-2025-10151_Proof_hi.pdf) (TGRS-2025-10151_Proof_hi.pdf)

怎么改： 实验部分把 baseline 分成两组：

• Native HS-MS fusion methods
• Adapted pansharpening-based baselines

并单独说明：

1. 为什么这些 adapted baselines 仍有比较价值；
2. 哪些方法是原生 HS-MS fusion；
3. 你们的主结论在“原生 HS-MS fusion methods”子集上是否仍然成立。

这样能显著降低 reviewer 对公平性的攻击面。

---

6）消融实验现在“有，但不够强”

你们做了 MSCM / HA / CA 的消融，但提升幅度整体偏小，而且有一句话逻辑上是有问题的：

“replacement of the central attention module with standard Swin Transformer blocks resulted in improved performance...”

如果“替换掉 CAB 反而 improved”，那和你后面的结论是冲突的。这里很可能是表述错误。(TGRS-2025-10151_Proof_hi.pdf)

而且目前的消融只是泛化指标提升：

• Exp.I 48.92 → 49.04
• Exp.II 48.99 → 49.04
• Exp.III 48.86 → 49.04

这种增益不算大。(TGRS-2025-10151_Proof_hi.pdf)

怎么改： 你们需要把消融从“总指标略升”改成“针对机制的证据”。

对应关系应该是：

• 1×1 token / spectral fidelity
  → 补充 per-band error curve、spectral angle distribution、典型像素光谱曲线
• Head Attention / cross-scale interaction
  → 补 attention-map 可视化，或不同 head 之间的信息流分析
• CAB / boundary reconstruction
  → 单独做 edge-region metrics，或 boundary mask 下的 PSNR / SAM / SSIM

这样 reviewer 才会相信“这个模块真在解决它声称的问题”。

---

三、整篇文章应该怎么重写行文逻辑

你现在的逻辑更像：

Swin 有问题 → 我们有三个模块 → 实验很好

建议改成下面这个版本：

新逻辑框架

第一层：先定义问题，不要先定义模块

先把问题写成：

Transformer-based HS-MS fusion faces a fundamental trade-off:
token aggregation enlarges receptive fields but mixes spectral signatures;
pixel-wise tokens preserve spectra but restrict spatial context.

这才是整篇文章的“研究问题”。

第二层：提出设计原则

然后给出一句设计原则：

We seek to enlarge spatial context without sacrificing token-level spectral integrity and without relying on hierarchical patch merging.

这句话一出来，你们后面所有模块都有了位置。

第三层：每个模块只承担一个明确功能

• MSConv：负责“在不做 patch merging 的前提下预先构造多尺度上下文”
• Head Attention：负责“让不同尺度的信息发生交互，而不是各自独立”
• CAB：负责“修补 window attention 对边界像素上下文利用不足的问题”

这时 reviewer 会看到：不是三块拼起来，而是三个机制依次解决同一主问题的三个子矛盾。

第四层：最后才说结果

最后落到：

因为这套设计避免了 patch merging，又保留了 per-pixel spectral token，所以在 accuracy–efficiency trade-off 上更优。

这时性能表就成了“验证”，而不是“创新本身”。

---

四、你们的“创新性”建议这样重写

下面这段可以直接作为你们 Introduction 末尾的思路，英文我给你一个可直接改写的版本：

Reframed novelty statement
Existing Transformer-based HS–MS fusion methods often improve spatial context by enlarging tokens or using hierarchical patch merging, but these operations may mix pixel-wise spectral signatures and increase model complexity. In contrast, our method is built on a token-preserving design: each spatial location is represented without spectral aggregation, while multi-scale spatial context is introduced through pre-attention multi-scale feature construction and cross-scale head interaction. To further compensate for the locality deficiency of window attention near boundaries, we introduce a center-aligned local attention mechanism. Therefore, the novelty of our method lies not in stacking multiple attention variants, but in providing a lightweight solution to the spectral-fidelity / spatial-context trade-off in HS–MS fusion.

这段的关键，是把 novelty 从“有三个模块”改成“解决一个 trade-off 的统一框架”。

---

五、可以直接替换的 contribution 写法

建议把现在那 4 条贡献改成下面这种结构：

The contributions of this work are threefold:

1. We formulate Transformer-based HS–MS fusion as a trade-off between token-level spectral preservation and receptive-field expansion, and propose a lightweight token-preserving framework to address it without hierarchical patch merging.
2. We design a multi-scale attention interaction scheme, where multi-scale features are constructed before attention and further coupled by head-wise cross-scale interaction, enabling efficient spatial-context modeling under pixel-wise tokenization.
3. We introduce a center-aligned local attention mechanism to improve neighborhood utilization for boundary pixels, and extensive experiments show that the proposed design achieves a favorable accuracy–efficiency trade-off on standard HS–MS fusion benchmarks.

注意这里：

• 不再把“实验结果好”单独当 contribution 4
• 不再把每个模块都写成平级“大创新”
• 而是把它们并入一个统一框架下

---

六、按章节给你一个“怎么改原文”的清单

1. Abstract

重点改 4 件事：

• 删掉过强的 “state-of-the-art with substantially fewer parameters” 这种句式，改成 “competitive or superior performance with a favorable accuracy–efficiency trade-off”
• 把 “single self-attention layer” 改准确
• 把 “simulated and real-world datasets” 改准确
• 第一二句不要先报结果，先报问题

摘要建议结构：

1. 现有 Transformer fusion 的核心矛盾
2. 你们的设计原则
3. 三个机制如何分别解决问题
4. 实验验证 accuracy–efficiency trade-off

---

2. Introduction

你们现在 Introduction 信息很多，但问题是相关工作铺得太长，主问题聚焦太晚。(TGRS-2025-10151_Proof_hi.pdf)

建议这样改：

• 第 1 段：HS-MS fusion 的任务背景，缩短
• 第 2 段：CNN / Transformer 方法的共性问题
• 第 3 段：把你们的核心 trade-off 提出来
• 第 4 段：给出你们的整体设计原则
• 第 5 段：贡献

也就是说，把现在的 Motivation 提前并上升为引言主线。

---

3. Related Work

现在的 Related Work 把 pansharpening、HS-MS fusion、Transformer、甚至 CASSI 都写进来了，信息很全，但边界有点乱。(TGRS-2025-10151_Proof_hi.pdf)

建议分成：

• HS-MS fusion methods
• Transformer-based fusion under spectral/spatial trade-offs
• Lightweight and boundary-aware attention design

不要再按“谁都介绍一下”的方式写，而是按“和我这篇的主问题有什么关系”来写。

---

4. Method

Method 部分已经比较完整，但有两个增强点：

第一，补你们自己的复杂度分析。
现在你们主要分析的是 Swin patch merging 的复杂度问题，但没有把 proposed method 的复杂度优势明确落成公式或表格。(TGRS-2025-10151_Proof_hi.pdf)

第二，统一命名。
文中有 LMCAN、Multiscale Multi-Head Network、MMH、MMHA、MSCM、MSConv、MConv 等多套叫法，容易让审稿人读得很累。(TGRS-2025-10151_Proof_hi.pdf) (TGRS-2025-10151_Proof_hi.pdf)

建议固定成：

• LMCAN = whole network
• MSConv = multi-scale feature constructor
• MMH block = head-wise cross-scale interaction block
• CAB = center-aligned boundary refinement block

---

5. Experiments

这是重投最值得补的部分。

至少加 4 类东西：

1. Efficiency table：Params/FLOPs/Latency/Memory
2. Robustness：不同放大倍数、不同 blur/noise 设置
3. Fair comparison split：native vs adapted baselines
4. Realism clarification：明确你们是 benchmark simulation protocol 还是 real paired data

现在实验结果本身不差，但“结论支撑力”还不够。(TGRS-2025-10151_Proof_hi.pdf)

---

6. Ablation

把“泛指标提升”改成“针对每个机制的专属证据”。

这部分是最能救创新性质疑的地方。因为 reviewer 质疑的不是你有没有模块，而是：这些模块是否真的对应一个必要的科学设计，而不是可替换的小修小补。

---

七、一些容易被 reviewer 扣分的文字问题，也要顺手改掉

这些不是决定性问题，但会明显影响印象：

• “novel methodology”“state-of-the-art”出现太多，建议整体降调
• “our dataset” 这种表述要避免，应该明确是 benchmark dataset
• “hight / wight” 这类拼写错误要统一改
• “central / center / centralized” 命名统一
• 图 1、图 2、图 3 的说明需要更明确地区分“问题展示”“整体框架”“局部模块”
• Table I–V 的描述风格统一，不要有的写 average results，有的写 best performance，有的又写 efficiency

这些语言层面的统一，会让重投版本更成熟。

---

八、给你一个最实用的重投策略判断

如果编辑意见是“修改后转投其他期刊”，那通常意味着：

• 文章不是不能发
• 而是以当前写法和创新定位，不够匹配原刊的 novelty threshold

所以你们重投时，最重要的不是把结果再刷高 0.1 dB，而是：

1. 把创新表述从“模块叠加”改成“统一问题驱动的设计”
2. 把 lightweight 证据补完整
3. 把实验设定的争议点说清楚
4. 把消融从弱支撑变成强支撑

只要这四件事做扎实，这篇稿子会比现在强很多。

---

九、我建议你优先动手的顺序

第一轮先改这 5 处：

1. 重写 Abstract 和 Introduction 末尾的 contributions
2. 统一 novelty 主线：spectral fidelity vs spatial context trade-off
3. 修正 simulated / real-world 的表述
4. 补 efficiency table 和更强的 ablation
5. 统一术语、删掉过强 claim

---

把审稿意见原文贴出来后，我再按 Reviewer 1 / 2 / 3 给你拆成“每条意见对应改哪里、怎么改、回复信怎么写”。

可以先把问题说透：这次被拒，不是因为你们完全没有工作量，而是因为稿子现在把创新写成了“几个已有模块的组合”，所以编辑和审稿人自然会把它归类为 incremental engineering。而你们稿子里其实已经有一个更强的主线，只是没有被抬升成整篇文章的中心：** HS–MS fusion 里，token 设计同时牵制光谱保真、空间感受野和边界上下文利用，这三者存在结构性矛盾**。你们的方法真正该强调的，不是“三个模块”，而是“围绕这个矛盾提出了一套 patch-merging-free、token-preserving 的轻量化设计”。稿子现在的摘要、引言、贡献点和结论，都还没有把这一点讲透。(TGRS-2025-10151_Proof_hi.pdf) (TGRS-2025-10151_Proof_hi.pdf)

一、先把创新思路重新“立题”

你们现在的写法是：

• SL-MMHA 是创新
• Head Attention 是创新
• CAB 是创新
• 实验结果好也是创新

这会让人觉得：你们是在 Swin/Window attention 框架上加了几处改件。而审稿意见恰好就是这么看的。

更好的写法应该是把整篇文章统一成一个问题驱动的叙事：

现有 Transformer 型 HS–MS fusion 面临一个核心矛盾：

1. 为了保留每个像素的光谱签名，token 不能做大，最好是 1×1；
2. 但 token 变小以后，window attention 的空间上下文又会变窄；
3. 若再用 patch merging 去扩感受野，又会引入谱混合、层级堆叠和复杂度增加；
4. 同时，window 机制对边界像素的邻域利用还不充分。(TGRS-2025-10151_Proof_hi.pdf)

这样一来，你们的方法就不再是“三个模块拼起来”，而是：

• MSConv：在不做 patch merging 的前提下，先构造多尺度上下文；
• Head Attention：让这些尺度之间真的发生交互，而不是各 head 各算各的；
• CAB：补 window attention 在边界位置的局部上下文缺失。

这三个部件都变成了同一个主问题下的三个机制。

---

二、你们最该强调的“真正创新”是什么

建议把创新重新定义成下面这句话：

本文的核心创新不在于又提出了几个注意力模块，而在于提出了一种 token-preserving、patch-merging-free 的 HS–MS fusion 框架，在保持 pixel-level spectral fidelity 的同时，用轻量方式补偿 multi-scale spatial context 和 boundary-aware reconstruction。

这句话比“我们有 SL-MMHA、HA、CAB”强得多，因为它回答了审稿人最关心的那个问题：

你们到底解决了什么结构性问题，而不是仅仅组合了什么模块。

你们稿子的 Motivation 部分其实已经接近这个思路：你们明确写了大 patch 会造成 spectral mixing，1×1 token 能保留 spectral signatures，但又会缩小 receptive field，于是再引出 multiscale conv、head interaction 和 center attention。这个段落是全文最有价值的地方，应该前移、强化，并成为引言主线。(TGRS-2025-10151_Proof_hi.pdf)

---

三、如何系统性地重写“创新叙事”

你们可以把全文逻辑改成下面这个四层结构。

第一层：先定义“研究问题”，不要先定义模块

引言不要一上来就说“我们提出了 LMCAN”。
应该先说：

• HS–MS fusion 需要同时保留光谱精度和空间细节；
• Transformer 方法常靠 patch tokenization 和层级结构扩大感受野；
• 但在 HS–MS fusion 中，patch aggregation 会破坏 pixel-wise spectral signatures；
• 因而存在 spectral fidelity vs receptive-field expansion 的核心冲突。(TGRS-2025-10151_Proof_hi.pdf)

第二层：提出一个统一设计原则

然后用一句话概括你们的方法论目标：

在不依赖 hierarchical patch merging 的前提下，扩大空间上下文，同时保持逐像素光谱完整性。

这句话非常关键。它是全文的总纲。

第三层：每个模块只承担一个功能

这样写：

• MSConv 不是“一个新模块”，而是为了在 token 不合并的条件下建立多尺度局部上下文；
• Head Attention 不是“普通 multi-head 的改版”，而是为了实现尺度间通信；
• CAB 不是“又一个 local attention”，而是为了修复 window 边界上下文缺失。

第四层：最后再落到轻量化与性能

最后才说：

• 因为避免了 patch merging 和深层层级堆叠；
• 所以在参数规模上更紧凑；
• 如果补上 FLOPs、latency、memory 后，还可以进一步说明是 accuracy–efficiency trade-off 更优。(TGRS-2025-10151_Proof_hi.pdf)

---

四、你们现在最薄弱的地方，不是结果，而是“创新表达方式”

编辑意见其实已经说得很明确了：
问题不在“技术实现太差”，而在于没有成功说明 essential novelty。

这个问题在稿子里主要体现在四个位置。

1）贡献点写法太碎

现在的 contribution 是四条并列，分别对应三个模块和实验。这样最容易被看成“模块堆叠”。(TGRS-2025-10151_Proof_hi.pdf)

建议改成三条：

1. 提出问题：把 Transformer-based HS–MS fusion 归结为 token-level spectral preservation 与 receptive-field expansion 的冲突；
2. 提出框架：给出一个不依赖 patch merging 的 token-preserving 轻量框架；
3. 提出机制并验证：用 head-wise cross-scale interaction 和 center-aligned local attention 分别解决尺度交互与边界重建问题，并验证其 accuracy–efficiency trade-off。

这会比现在强很多。

2）“single-layer” 容易被抓

摘要和引言里反复说 “within a single self-attention layer” 或 “Single-Layer MMHA”，但方法部分又明确写了 m 个 FIM layers，每层 n 个 MMH block。这很容易让审稿人觉得表述夸大。(TGRS-2025-10151_Proof_hi.pdf) (TGRS-2025-10151_Proof_hi.pdf)

这里建议改成：

• 不说整个网络是“single-layer”
• 而说：each MMH block realizes multi-scale interaction within a single attention stage, without hierarchical patch merging

这样就准确了。

3）“real-world datasets” 表述不准确

摘要里说 “simulated and real-world datasets”，但实验设置里实际上写的是：利用已有 HR-HSI 做 blur + downsample，并用 Nikon D700 的谱响应来合成 HR-MSI。也就是说，你们是真实场景数据集上的模拟退化实验，并不是严格意义上的真实配准传感器对。(TGRS-2025-10151_Proof_hi.pdf) (TGRS-2025-10151_Proof_hi.pdf)

所以应该改成：

• “standard benchmark datasets under simulated degradation settings”
• 或者 “benchmark datasets containing natural and remote-sensing scenes”

这类表达更稳。

4）轻量化证据不足

现在表格里主要展示的是参数量，确实你们参数少，但审稿人要的是完整 lightweight 证据链：
不仅是 params，还要有 FLOPs / MACs、推理时间、显存、不同尺寸下的 runtime。(TGRS-2025-10151_Proof_hi.pdf)

---

五、怎么把 Head Attention 写得“不是普通 MHA 的换皮”

这是你们最需要补理论的地方。

审稿人说得很准：你们现在还没有充分说明它和传统 multi-head attention 的本质差异。

你们应该明确写出下面这个区分：

传统 MHA 的核心

传统 multi-head attention 是：

• 每个 head 在token 维度上 independently 做 QKᵀ；
• head 与 head 之间通常没有显式 attention；
• 最后只是 concat 再线性映射。

你们 Head Attention 的核心

你们这里的 head 不是任意拆分出来的平行 head，
而是已经被 MSConv 预分配为不同尺度表征的 head。
所以 HAB 的作用不是“再做一遍注意力”，而是：

• 先把每个尺度 head 压缩成 descriptor；
• 在 head–head / scale–scale 维度上计算相关性；
• 再用这个 head affinity 去重新调制各尺度表征。

也就是说：

传统 MHA 关注的是 token-token relation within each head；
你们的 HAB 关注的是 scale-aware head-head interaction after scale-specific token construction。

这个区分不讲清楚，审稿人就会继续认为你们只是“inter-head communication 的一个变体”。

---

六、方法部分具体应该怎么补

1）把 Head Attention 的数学推导补完整

建议按下面顺序写：

先定义输入：

$$X \in \mathbb{R}^{B \times N \times C}, \quad C=H \cdot d$$

再 reshape 成多头值表示：

$$V \in \mathbb{R}^{B \times N \times H \times d}$$

再对每个 head 做 token/channel pooling，得到每个 head 的全局描述子：

$$g \in \mathbb{R}^{B \times H}$$

然后通过线性映射生成 head-level Q 和 K：

$$Q_h, K_h \in \mathbb{R}^{B \times H \times d_h}$$

再定义 head affinity：

$$A_h = \text{Softmax}\left(\frac{Q_h K_h^\top}{\sqrt{d_h}}\right) \in \mathbb{R}^{B \times H \times H}$$

然后说明它如何重加权各 head 的 value：

$$\tilde V = A_h V$$

最后再投影回原空间并和 window self-attention 分支融合。

这样写以后，读者就会非常清楚： 你们不是在 token 维上重复 attention，而是在 head 维上建立尺度间依赖。

2）把复杂度分析补成“你们自己的”

现在稿子里主要分析的是 Swin patch merging 后复杂度怎么涨，但对你们自己的 MSConv、HAB、CAB 总成本没有系统落地。(TGRS-2025-10151_Proof_hi.pdf)

应该补一个小节，例如：

• MSConv complexity
• Window SA complexity
• HAB complexity
• CAB complexity
• Total complexity per block
• 对比 hierarchical Transformer block

然后把结论写清楚：

• 你们避免了 patch merging 导致的通道放大；
• HAB 的计算主要发生在 head-level，而不是 full token-token global relation；
• CAB 的局部 neighborhood attention 是按 K×K 邻域展开，复杂度随图像大小近线性增长，而不是全局平方增长。

3）把术语统一

现在稿子里有：

• LMCAN
• MMH
• MMHA
• SL-MMHA
• MConv / MSConv
• central / center / centralized attention

这些命名太散，会削弱方法感。

建议固定成：

• LMCAN：整体网络
• MSConv：多尺度特征构造
• MMH block：多尺度 window attention + HAB
• CAB：center-aligned local attention

---

七、实验部分最应该怎么改

第一优先：补 efficiency 实验

至少新增一张表：

• Params
• FLOPs / MACs
• Inference time per image
• Peak GPU memory
• 统一输入尺寸和硬件

因为审稿人现在不接受“参数少 = lightweight”。这点必须正面补。

第二优先：重新组织 baseline

现在你们把 pansharpening 方法做了结构适配：PAN 换成 HR-MSI，LR-MSI 换成 LR-HSI。这个做法不是不能做，但一定要说明清楚，不然会被质疑公平性。(TGRS-2025-10151_Proof_hi.pdf)

建议把 baseline 分成两组：

• Native HS–MS fusion methods
• Adapted pansharpening baselines

然后主结论优先建立在 native HS–MS fusion 这一组上。

第三优先：把消融改成“机制证据”，而不是“总指标略升”

现在的消融表能说明模块有帮助，但还不足以支撑“创新机制成立”。而且 CAB 的文字说明和表 V 还是矛盾的：文中说“替换后 improved performance”，但表 V 里 Exp.III 明显比 Ours 差。这个必须改。(TGRS-2025-10151_Proof_hi.pdf)

建议新增三类机制证据：

1. 验证 1×1 token / no patch merging

   • 每波段误差曲线
   • 典型像素光谱曲线
   • SAM 分布图

2. 验证 HAB

   • head affinity 可视化
   • 不同 head 对应的尺度响应图
   • 与“无 head interaction”或“简单 concat/shuffle”的对比

3. 验证 CAB

   • 边缘区域单独评估
   • boundary mask 下的 PSNR/SAM/ERGAS
   • 边界重建放大图

这样 reviewer 才会觉得：
这些模块不是凑出来的，而是分别对应一个明确的机制问题。

---

八、文字层面哪些一定要改

这些看似小，但会严重影响稿件成熟度。

• “highest average values across all four metrics” 要改，因为 SAM 和 ERGAS 是越低越好；你们自己在 metrics 小节里已经写对了。(TGRS-2025-10151_Proof_hi.pdf)
• “exponential growth in parameters (∝ n^4)” 要改成 quartic/polynomial growth，不能叫 exponential。(TGRS-2025-10151_Proof_hi.pdf)
• “hight / wight” 改成 height / width。(TGRS-2025-10151_Proof_hi.pdf)
• “state-of-the-art” 这类话整体降调，改成：
  • “competitive or superior performance”
  • “favorable accuracy–efficiency trade-off”
• 没有 runtime/FLOPs 之前，不要写“significantly reduces computational complexity”这么重的话。

---

九、我建议你们直接这样重写 contribution

你们可以把现在的四点贡献改成下面这种结构：

The contributions of this work are threefold.

1. We formulate Transformer-based HS–MS fusion as a trade-off between token-level spectral preservation and receptive-field expansion, and propose a lightweight token-preserving framework that avoids hierarchical patch merging.
2. We design a multi-scale interaction scheme in which multi-scale spatial context is first constructed before attention and then coupled through head-wise cross-scale interaction, enabling efficient context modeling under pixel-wise tokenization.
3. We introduce a center-aligned local attention mechanism to improve neighborhood utilization for boundary pixels, and experiments show that the overall design achieves a favorable accuracy–efficiency trade-off on standard HS–MS fusion benchmarks.

这版的好处是：

• 创新从“模块清单”变成“统一问题 + 统一方案”
• Head Attention 和 CAB 不再是平级孤立创新
• 更符合编辑说的“需要 clarify unique contributions”

---

十、最实用的改稿顺序

你们不要一上来就改全文，按下面顺序最省力：

第一步

先重写 标题、摘要、引言最后两段、contributions。
目标只有一个：把创新重新定位成
token-preserving framework for resolving the spectral-fidelity / spatial-context / boundary-context trade-off。

第二步

重写 Method 中的 HAB 小节：

• 补数学定义
• 补与传统 MHA 的差异
• 补复杂度表达

第三步

补 efficiency table + stronger ablation

第四步

最后统一：

• 术语
• claim 强度
• factual inconsistency
• typo 和 metric 表述

---

十一、最后给你一个判断

这篇稿子不是“没法救”，而是当前写法把最有价值的东西写弱了。
你们真正能打动下一个期刊的，不是“我们也有一个 Head Attention”，而是：

我们指出了 Transformer 在 HS–MS fusion 里的一个结构性矛盾，并提出了一个不依赖 patch merging 的统一解决思路。

只要这个主线立住，很多审稿意见会自然缓和。
因为一旦主线成立，MSConv、HAB、CAB 就不再是“已有东西的拼装”，而是为了同一个核心矛盾而设计的三个必要机制。

下一步最值得做的，就是把你们的 Abstract + Introduction + Contributions 先按这个思路重写出来。