Jun, 2020

基于深度渐进式零中心残差学习的高光谱图像超分辨率

PDF
TL;DR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。
hyperspectral imagesuper-resolutiondeep neural networkspectral-spatial separable convolutionresidual image
发现论文，激发创造
  • 无监督稀疏狄利克雷网络用于高光谱图像超分辨率

    本文介绍了一种使用无监督编码器 - 解码器体系结构、通过稀疏狄利克雷分布来解决高光谱图像超分辨率问题的方法，并在实验中证明了其优越性能。

    Apr, 2018

  • 基于混合卷积的双域网络超分辨率高光谱图像重建

    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

  • 基于条件扩散模型的高光谱图像超分辨率 (HSR) 重建

    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

  • 通过自监督表示实现任意分辨率的高光谱与多光谱图像融合

    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

  • 深度展开网络用于自动曝光修正的高光谱图像超分辨率

    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

  • 学习空间光谱先验用于高光谱图像超分辨率

    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

  • 采用空间 - 光谱深度残差卷积神经网络的高光谱图像去噪

    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

  • MS/HS 融合网络用于多光谱和高光谱影像融合

    本文提出了一种基于模型的深度学习方法，用于合并高分辨率多光谱和低分辨率高光谱图像以生成高分辨率高光谱图像，实验结果证实该方法在视觉和定量上均优于同类方法。

    Jan, 2019

  • 农业与生物应用中基于深度学习的高光谱图像重建的比较分析

    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

  • 基于子空间正则化的高光谱图像超分辨率的凸形式表达

    该研究介绍了一种基于凸优化的构建高分辨率 HSI 和高分辨率 MSI 综合图像的数据融合方法，使用向量全变差作为正则化项，通过 Split Augmented Lagrangian Shrinkage Algorithm（SALSA）算法实现优化，取得了优于现有算法的效果。

    Nov, 2014