本文提出了一种基于深度学习的方法，通过使用混合空间谱卷积神经网络（HSID-CNN）学习噪声和清晰 HSI 之间的非线性端到端映射来对 HSI 图像进行去噪处理，并通过多尺度特征提取和多级特征表达来捕捉多尺度空间 - 频谱特征并融合不同级别的特征表示来进行最终还原，实验结果表明，该方法在定量评估指标、视觉效果和 HSI 分类准确率方面均优于许多主流方法。

Jun, 2018

提出了一种自调制卷积神经网络（SM-CNN）用于高光谱图像去噪，通过利用相关的光谱和空间信息，该网络能够根据相邻的光谱数据自适应地转换特征，提高处理复杂噪声的能力，实验证明在合成和真实数据上，SM-CNN 在公共基准数据集上在定量和定性上均优于其他最先进的高光谱图像去噪方法。

Sep, 2023

提出了一种混合的空间 - 光谱去噪网络 (HSSD)，该网络通过设计一个新颖的 CNN 和 Transformer 特性的混合双路径网络，以高效地捕获本地和非本地空间细节，同时抑制噪声，从而解决了现有 Transformer-based 方法主要关注非本地建模并忽视图像去噪中局部性的问题，并采用简单但有效的分离策略降低了计算复杂性，通过使用参数较少的多层感知机学习光谱之间的全局相关性。综合和实际实验表明，我们提出的方法在空间和光谱重建方面优于最先进的方法。

Jun, 2024

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

本文介绍了一种称为 Low Rank 和 Sparsity Constraint Plug-and-Play（LRS-PnP）的新型 HSI 缺失像素预测算法，并通过将 LRS-PnP 与 Deep Image Prior（DIP）结合成为一种自监督模型，称为 LRS-PnP-DIP，实现了与其他基于学习方法相比的先进修补性能或者超越它们的性能。

Jun, 2023

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

文中介绍了一种利用单体集成光谱滤光片的高光谱成像设备，提出了一种基于压缩感知和分析稀疏模型的超分辨率处理和去马赛克的方法，并通过数值实验验证其效率。

Feb, 2015

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

该文介绍了两种非常快和竞争性强的高光谱图像复原算法：FastHyDe 和 FastHyIn，这两种算法充分利用了极度紧凑和稀疏的 HSI 表示，与最先进的方法相比，具有更低的计算复杂度。

Mar, 2021

本论文提出了一种利用 3D CNN 模型用于 HSI 分类的方法，其利用了空间光谱特征图以实现良好的性能，并对其性能进行了实验验证。

Apr, 2020