ICCVSep, 2017

基于敌对网络的 RGB 空间上下文感知光谱图像重建

PDF
TL;DR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%。
hyperspectralsignal reconstructionspectral signal mappinggenerative adversarial networksquantitative evaluation
发现论文，激发创造
  • 利用条件对抗网络进行空中光谱超分辨率

    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

  • 基于层次回归网络的 RGB 图像光谱重建

    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

  • 基于生成对抗网络和概率图模型的高光谱图像分类

    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

  • 野外单个 RGB 图像中基于语义嵌入的无监督光谱重建

    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

  • 学习空间光谱先验用于高光谱图像超分辨率

    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

  • 超级彩色化：传播稀疏空间噪声光谱线索，重建高光谱图像

    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

  • 学习的光谱超分辨率

    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

  • 使用多尺度卷积神经网络从单个 RGB 图像实现准确的光谱超分辨率

    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

  • 农业与生物应用中基于深度学习的高光谱图像重建的比较分析

    利用深度学习进行高光谱图像重建，以实现农产品质量评估的成本效益和高效工具。

    May, 2024

  • 在野外从单个 RGB 图像中实现光谱估计

    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