Jan, 2018

利用高斯过程从 RGB 图像恢复高光谱信息

PDF
TL;DR该研究提出一种使用高斯过程和自然光谱相结合的方法，从已知光谱量化的 RGB 图像中恢复光谱细节，通过对具有空间和光谱相关性的高光谱训练补丁聚类，匹配和编码 RGB 图像的补丁来实现，数个高光谱数据集的实验表明该技术对 RGB 图像的光谱细节提取有效。
spectral detailsgaussian processesrgb imagesspectral quantizationreflectance spectra
发现论文，激发创造
  • 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

  • 基于敌对网络的 RGB 空间上下文感知光谱图像重建

    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

  • NTIRE 2020 挑战赛：从 RGB 图像中重建光谱

    本文回顾了 RGB 图像中光谱重建的第二个挑战，并评估了其现状，其中提供了一个大型自然高光谱图像数据集，并提供了一些最佳的重建方法来获取整个场景的高光谱信息。

    May, 2020

  • 用于模式发现和外推的高斯过程内核

    简单的谱密度模型可以与高斯过程一起使用，以发现模式并支持外推。该方法支持各种站点协方差，但高斯过程推理仍然简单且解析，可以在多种合成和实际数据集中进行演示。

    Feb, 2013

  • 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

  • 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

  • 基于深度学习的农产品高光谱图像重建质量评估

    通过深度学习从 RGB 图像重建高光谱图像，可用于预测甘薯中的可溶性固形物含量，结果表明基于重建光谱的部分最小二乘回归模型优于使用全光谱范围的模型，突显了基于深度学习的高光谱图像重建作为一种低成本、高效的农业应用工具的潜力。

    May, 2024

  • 基于数据驱动的光谱重建的局限性 -- 一种光学感知分析

    通过对 RGB 图像进行数据驱动的光谱重建方法的分析，我们发现当前模型在噪声、压缩和变色上存在限制，然而，通过异色数据增强和光学镜头像差可以提高 RGB 图像对色差信息的编码，从而带来更高性能的光谱成像和重建方法。

    Jan, 2024

  • 高斯过程的变分傅里叶特征

    本篇论文提出了一种组合变分方法和光谱表示的高斯过程近似算法，通过研究高斯过程的光谱特征和协方差，进行了相关推导和分析，并将该算法应用于 Matern 核和高维数据的处理中，结果表明该算法在计算速度和精度方面都表现出色。

    Nov, 2016

  • 一种受共识约束的简化高斯混合模型用于聚类高光谱图像

    使用共识约束的简约高斯混合模型 (ccPGMM) 方法在高光谱图像中标记像素，并利用模型聚类法改进聚类性能和计算效率。

    Mar, 2024