可解释的块项张量建模超光谱超分辨率
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
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
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
通过结合低空间分辨率高光谱图像(LR-HSI)和高空间分辨率多光谱图像(HR-MSI),提出一种基于张量环分解和张量核范数优化的图像融合方法,以改善高分辨率高光谱图像的视觉质量和各种定量指标的表现。
Oct, 2023
提出了一种新颖的全面关联变换器(Exhaustive Correlation Transformer,ECT)来进行光谱超分辨率,通过整合统一的空间 - 光谱关注力和相互线性依赖,建立了高光谱图像中的全面关联。实验结果表明,这种方法在模拟和真实数据上都达到了最先进的性能。
Dec, 2023
该研究提出了一种新的高光谱波段选择模型,通过将数据分解为低秩平滑组分和稀疏组分,采用广义三维总变差(G3DTV)和交替方向乘子法(ADMM)来提高计算效率和抑制空间 - 光谱平滑性,验证了该方法的有效性,并提供了参数选择的实用指南。
May, 2024
本文探讨了如何利用一种基于深度神经网络的轻量级框架和频谱空间可分离卷积技术解决高光谱低分辨率图像与多光谱高分辨率图像相结合的问题,并在真实和人工数据集上进行了实验,取得了显著优于现有方法的结果。
Jun, 2020
融合基于高光谱图像(HSI)的超分辨率通过融合低空间分辨率的 HSI 和高空间分辨率的多光谱图像来产生高空间分辨率的 HSI。本文提出了一种新颖的基于光谱扩散的先验方法来实现 HSI 超分辨率。在最大后验概率的框架下,通过反向生成过程保留每两个相邻状态之间的转移信息,并将训练好的光谱扩散模型的知识嵌入到融合问题中作为正则化项。最后,将最终优化问题的每个生成步骤视为其子问题,并使用 Adam 算法以反向顺序解决这些子问题。在合成和真实数据集上进行的实验结果证明了所提方法的有效性。所提方法的代码将在此 https 网址上提供。
Nov, 2023
介绍了一种基于混合线性建模和子空间聚类技术的自适应、多尺度张量分解方法,旨在降低大型和多模态数据的维度和表示复杂度。该方法在多个真实张量信号的维数约简和分类问题中表现良好。
Apr, 2017