本文提出了一种基于深度学习的无监督谱色去马赛克技术，该技术通过使用谱分系统的性质，提出了一个马赛克损失函数，配以相应的模型结构、变换策略和早期停止策略，形成一个完整的无监督谱色去马赛克框架，并在合成和实际数据集上展示了其优越性。另外，作者还发布了一个用于基准测试的真实 25 波段高光谱马赛克图像数据集 Mosaic25。

Jul, 2023

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

本文提出一种新颖的双重注意力生成对抗网络（DAGAN），利用 position-wise 空间注意力模块和 scale-wise 通道注意力模块，从输入布局中综合地捕捉了语义结构注意力，实现了从语义标签到具有细节的照片逼真图像的生成。实验结果表明 DAGAN 相较于现有方法在多项数据集上实现了更好的结果，同时使用更少的模型参数。

Aug, 2020

本文提出了 SPA-GAN，一种用于图像转换任务的新型空间关注 GAN 模型，它可以直接将注意机制引入到 GAN 体系结构中，以帮助生成器更加聚焦于源域和目标域之间的最具区分性的区域，从而产生更逼真的输出图像。在 SPA-GAN 训练中，引入了额外的特征图损失以保留域特定的特征，通过基准数据集上的定性和定量比较，SPA-GAN 相对于现有的引导注意力 GAN 模型表现出了更好的性能。

Aug, 2019

本篇论文介绍了一种基于小波生成对抗网络（GANs）的局部感知方法，可以捕捉卫星图像中具有大尺度和光谱变异性的特征，并通过保留局部性来恢复可解释的高级语义概念方向，用于卫星图像的引导合成和数据增强。使用定量和定性示例证明了该方法在数据合成和卫星场景分类的数据增强中的优势。

Sep, 2023

提出了一种名为 MSG-SAGAN 的多尺度梯度生成式对抗网络结构，用于解决不平衡的生物医学图像数据集生成多样化高质量的 X 光影像。通过使用多尺度渐变和注意力机制来改善生成器和鉴别器模型中生物医学图像特征的长程依赖之间的关系，以减少模式崩溃和稳定 GAN 的训练。与多尺度梯度 GAN (MSG-GAN) 相比，结果表明 MSG-SAGAN 在合成多样化的图像方面表现更好。

Oct, 2022

利用散射变换从多通道卫星图像中提取高级特征，并引入分离方案以关注独立输入通道，通过实验对热带气旋强度估计和卫星图像中雷电预测显示出有希望的结果。

Oct, 2022

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

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

本文介绍了一种基于自注意力机制的生成对抗网络（SAGAN），它能够在图像生成任务中实现关注驱动的远距离依赖关系建模，并通过对 GAN 生成器实施谱归一化技术，取得了对图像生成任务来说最好的表现。

May, 2018