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

本研究提出了一个中等深度的卷积神经网络模型，实验结果在ICVL、CAVE、NUS三个光谱重建标准基准上表现出了明显的改进，表明该模型在光谱超分辨率方面有广泛应用前景。

Apr, 2018

本文介绍了一种使用无监督编码器-解码器体系结构、通过稀疏狄利克雷分布来解决高光谱图像超分辨率问题的方法，并在实验中证明了其优越性能。

Apr, 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

提出了一种基于像素的深度函数混合网络，其中包括一种新的模块，称为函数混合（FM）块，用于光谱超分辨率，以确定每个像素的接受域大小和映射函数，并使用 late-stage 的中间特征增强了性能，在三个基准HSI数据集上验证其优越性。

Mar, 2019

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

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

本研究提出了一种新的高光谱图像超分辨率算法，称为基于混合卷积的双域网络（SRDNet），同时在空间与频率领域设计了双域网络，利用自我注意力机制和频率损失进行优化，并使用2D和3D单元的混合模块渐进式放大策略，实现了高光谱图像的纹理和特征增强，比现有方法效果更好。

Apr, 2023