NTIRE 2020 挑战赛：从 RGB 图像中重建光谱
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。
Jan, 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
本研究提出了一种基于四级分级回归网络和PixelShuffle层的高光谱图像重建方法，采用残差密集块来消除实际RGB图像的伪影，并采用残差全局块来建立注意机制扩大感知范围，通过NTIRE 2020 Challenge比较各种架构和技术，本方法获得了轨道2 - 实际图像的胜利，并在轨道1 - 清晰图像上排名第三。
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
该论文提出了一种新的单次多光谱深度重建方法，使用RGB相机和投影仪，利用单个彩色点图像实现深度重建和空间变化颜色照明的多光谱反射重建，文中介绍了网络架构，并通过实验表明该方法优于现有单次多光谱反射重建方法和深度重建方法的组合。
Apr, 2022
本文提出了一种基于自我监督元辅助学习策略的新型架构，应用于从RGB图像中恢复光谱反射率的问题，并在算法中引入了光谱反射率与对应RGB图像之间的物理关系以及多种光照条件下的多图像信息以提高模型效果。
Apr, 2023
本研究介绍了一个合成高光谱数据集，通过高光谱和高空间分辨率成像实现观测场景或物体的全面、准确、详细的表示，强调多模态融合在生成高质量合成高光谱数据集中的重要性，以及光谱-空间关系的改善对于各个领域的分析、监测和决策的影响。
Jun, 2023
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
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
利用NeRFs的最新进展，我们提出了一种计算超光谱3D重建的方法，其中空间中的每个点和视角都以波长相关辐射和透射光谱为特征。通过对近2000个超光谱图像进行对比和消融测试，我们证明了超光谱NeRF的潜力，包括超分辨率和成像传感器模拟。我们展示了超光谱NeRF方法可以快速、准确地创建体积化的3D超光谱场景，并为未来研究提供了几个新的应用和领域。
Mar, 2024