使用卷积神经网络(CNN)的最佳实践完成从RGB图像到对应大小的高光谱图像的直接映射，实现了超分辨率的高光谱成像，优于现有技术水平。

Mar, 2017

本研究旨在应用条件对抗网络从空中高光谱数据推断出地面自然图像的光谱特征，通过使用31个光谱波段合成来自高光谱数据的RGB彩色图像训练网络，取得了2.48的最佳均方根误差，表明可以在空中图像中生成光谱特征。

Dec, 2017

本文介绍了一种使用生成式对抗网络与概率图模型相集成的方法来进行高光谱图像分类，试图提高分类精度并在数据利用率上更有效地使用大量未标注数据，实验结果表明，这种方法在使用少量数据进行训练时，获得了令人鼓舞的分类准确度。

Feb, 2018

本文提出了一种基于深度卷积神经网络的多尺度图像转换方法，可以从RGB观测值中产生高分辨率的高光谱图像。在对中间特征图进行对称下采样和上采样的级联模式下，可以共同编码局部和非局部图像信息以获得更准确的光谱重建精度。

Jun, 2018

本文提出针对RGB图像的光谱重建问题一种基于深度学习和卷积网络的高效解决方案，使用参考光谱进行敏感度函数估计，并讨论普适性与特化模型的局限性，实验结果表明，从单张RGB图像准确进行光谱估计已经可以在一定程度上实现。

Dec, 2018

本研究提出了一种基于四级分级回归网络和PixelShuffle层的高光谱图像重建方法，采用残差密集块来消除实际RGB图像的伪影，并采用残差全局块来建立注意机制扩大感知范围，通过NTIRE 2020 Challenge比较各种架构和技术，本方法获得了轨道2 - 实际图像的胜利，并在轨道1 - 清晰图像上排名第三。

May, 2020

本文提出一种基于深度卷积神经网络的单高光谱图像超分辨率重建方法，引入了空间-光谱先验网络(SSPN)来充分利用高光谱数据的空间信息和光谱相关性，通过组卷积和逐步上采样框架来提高稳定性和效率，并设计了空间-光谱块(SSB)来提取更丰富的特征信息，实验结果表明，所提出的SSPSR方法可以增强恢复的高分辨率高光谱图像的细节，且优于现有方法。

May, 2020

通过深度学习，提出了一种SpecNet深度架构，该架构计算光谱剖面以估计给定图像的像素动态范围调整，进而实现在低光条件下用环境一致框架生成高光谱图像，并通过自我监督和光谱剖面规则化网络来从RGB图像推断出可能的高光谱图像。

Feb, 2021

该研究提出了一种新颖的轻量级、端到端学习的框架，能够在没有成对的高光谱和 RGB 图像训练数据的情况下，从单个 RGB 图像重建高光谱图像，并在合成和实际数据上实现了更好的性能。

Aug, 2021

本文介绍了Neural Spectral Reconstruction (NeSR)方法来提高光谱重建的连续性。通过引入一种新的连续光谱表示，我们利用神经网络实现了参数化拟合。经过实验验证，NeSR方法在重建准确性方面表现出明显优势，同时也可以支持任意数量的光谱重建。

Dec, 2021