本篇研究旨在通过利用 CNN 的内在属性来解决高光谱图像处理中数据集过小导致训练困难的问题,并提出了一种新的不需训练网络的方法解决高光谱图像去噪、修复和超分辨率问题,该方法在性能上与已有的训练网络方法相当,但不受训练数据可用性限制。
Feb, 2019
基于自监督学习的新型高光谱成像算法(Hyper-EI)用于修复不完整或损坏的高光谱图像,实验结果显示该算法相较现有方法具有最先进的修复性能。
Apr, 2024
通过将两个校准的多光谱实时摄像机结合成一个立体系统,我们提出了一种新方法来连续捕捉高光谱数据立方体,实现三维重建和光谱分析,以提高空间分辨率和光谱分辨率的视频流,旨在用于手术辅助监控。
Dec, 2023
该文介绍了两种非常快和竞争性强的高光谱图像复原算法:FastHyDe 和 FastHyIn,这两种算法充分利用了极度紧凑和稀疏的 HSI 表示,与最先进的方法相比,具有更低的计算复杂度。
Mar, 2021
本文介绍了两种新型的自我监督高光谱图像修复算法:低秩和稀疏约束插入并播放(LRS-PnP),以及其扩展 LRS-PnP-DIP,其具有强大的学习能力,但仍然不需要外部训练数据。该算法能够稳定地收敛,并具有实际应用价值。广泛的实验表明,所提出的解决方案能够产生视觉和定性上优于现有方法的图像修复结果。
Jun, 2023
从灰度引导图像和空间稀疏光谱线索中重构高光谱图像的上色算法,在低秩空间中上色可以减少计算时间和快门噪声的影响,以提高鲁棒性,并超过以往算法在多种性能指标方面,包括 SSIM、PSNR、GFC 和 EMD,这些结果为克服时间 - 空间 - 波长分辨率权衡提供了一种有希望的途径。
Mar, 2024
通过数据稀疏化预处理将高光谱图像压缩 2.5 倍,并使用 gOMP 算法进行图像重建,结果表明当像素高度稀疏时,gOMP 算法能够以更高的准确性和更快的收敛速度重建高光谱图像,但与原图相比会降低重建图像的质量。
Jan, 2024
本文提出了一种基于生成对抗网络的图像到图像映射方法,用于超光谱自然图像重建,经过定量评估,相对均方根误差降低了 54.0%。
Sep, 2017
利用简单矩阵方程描述了全色融合问题,通过引入广义逆矩阵理论,推导了两种普遍形式的逆矩阵公式,实验结果表明所提方法在合成和真实实验中都比其他方法更好更清晰,且降采样增强方法在真实实验中达到了更好的定量和定性效果。
Oct, 2023
本文介绍了一种称为 Low Rank 和 Sparsity Constraint Plug-and-Play(LRS-PnP)的新型 HSI 缺失像素预测算法,并通过将 LRS-PnP 与 Deep Image Prior(DIP)结合成为一种自监督模型,称为 LRS-PnP-DIP,实现了与其他基于学习方法相比的先进修补性能或者超越它们的性能。