本文介绍了一种新的 HS-MS 图像融合策略，该策略将不混合基础方法与典型光谱变异的显式参数模型相结合，模拟表明该策略在光谱变异下可以显著提高性能，并表现出最先进的性能。

Aug, 2018

本文提出使用三维卷积神经网络（3-D-CNN）的方法来融合多光谱（MS）和高光谱（HS）图像，以获得高分辨率的高光谱图像。在融合之前进行高光谱图像的降维以显著减少计算时间，并使方法对噪声更具鲁棒性。实验结果表明，与传统方法相比，所提出的方法在高光谱图像受加性噪声干扰时尤其表现出色。

Jun, 2017

本文提出了一种基于循环一致性的无监督高光谱图像和多光谱图像融合模型，通过学习低分辨率高光谱图像与高分辨率多光谱图像之间的域转换，实现了高分辨率高光谱图像的生成，并且在多个数据集上的实验证明该模型优于其他无监督融合方法。

Jul, 2023

通过融合低分辨率高光谱图像（LR-HSI）与高分辨率多光谱图像（HR-MSI），提出了一种连续低秩分解（CLoRF）方法，通过将两种神经表示集成到矩阵分解中，分别捕捉空间和光谱信息，实现了低秩和连续性的自监督学习，在实验中显著超过现有技术，并实现了用户期望的分辨率提升，无需神经网络重新训练。

May, 2024

该研究提出了一种基于条件去噪扩散概率模型的深度融合方法，用于合成具有高空间和高光谱分辨率的理想图像。通过在训练集上进行前向扩散和逆向去噪过程，该方法在实验中表现出优越性。

Jul, 2023

本文提出了一种名为隐式神经特征融合函数（INF）的 INR（Implicit Neural Representation）型高光谱融合模型，以高频细节辅助输入来解决 MHIF（Multispectral and Hyperspectral Image Fusion）问题并且有效改进了其他 INR 的方法及提高了模型的鲁棒性。

Jul, 2023

提出了一种新颖的知识蒸馏框架以实现低分辨率高光谱图像的超分辨率，该框架通过使用交叉层残差聚合模块增强效率，同时从低分辨率高光谱图像和高分辨率多光谱图像中提取联合和独立特征，并采用交叉自注意力融合模块适应性地融合这些特征，以提高重构的高分辨率高光谱图像的空间和光谱质量。

Jun, 2024

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

提出了一种深度展开的自动曝光校正高光谱图像超分辨率方法，可以在光照不均衡的情况下生成具有高质量合并高光谱图像超分辨率的图像。

Mar, 2024

提出了一个使用条件扩散模型的高光谱影像超分辨率方法，该方法融合了高分辨率多光谱图像（MSI）和相对应的低分辨率超光谱影像（LR-HSI），通过经过多次优化的迭代过程生成超分辨率图像。实验表明，该方法在超分辨率领域的表现优于目前的状态 - of-the-art 方法。

Jun, 2023