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

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

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

提出了一种新颖的知识蒸馏框架以实现低分辨率高光谱图像的超分辨率，该框架通过使用交叉层残差聚合模块增强效率，同时从低分辨率高光谱图像和高分辨率多光谱图像中提取联合和独立特征，并采用交叉自注意力融合模块适应性地融合这些特征，以提高重构的高分辨率高光谱图像的空间和光谱质量。

Jun, 2024

本文提出了一种基于循环一致性的无监督高光谱图像和多光谱图像融合模型，通过学习低分辨率高光谱图像与高分辨率多光谱图像之间的域转换，实现了高分辨率高光谱图像的生成，并且在多个数据集上的实验证明该模型优于其他无监督融合方法。

Jul, 2023

通过引入 SCC 作为注意力矩阵并利用 ESSA 技术，提出了 ESSAformer 网络用于超分辨率任务，提升了高光谱图像的视觉质量和定量结果。

Jul, 2023

提出了一种混合卷积和注意力网络（HCANet），通过同时建模全局和局部特征，利用卷积神经网络（CNN）和 Transformer 的优势，设计了卷积和注意力融合模块来捕捉长距离依赖和邻域光谱相关性，以及设计了多尺度前向网络来提取不同尺度的特征，从而提高多尺度信息聚合的性能，实验结果表明了 HCANet 模型的合理性和有效性。

Mar, 2024

提出了一种基于空间注意力权重的混合网络（SAWU-Net），该网络可以更好地在端到端的模式下，学习空间注意力网络和加权混合网络，以更好地利用空间特征。 SAWU-Net 通过像素注意块和窗口注意块有效地建模基于像素的光谱信息和基于补丁的空间信息，生成动态自适应的空间权重，以更有效地集成周围像素，其实验结果表明 SAWU-Net 具有更好的精度和优越性，反映了所提出的空间注意力机制的有效性。

Apr, 2023

提出了一种自适应的空间 - 光谱图卷积网络，其中包括一个空间图卷积子网络、一个光谱图卷积子网络和一个图交叉注意力融合模块，通过加入注意力机制，融合了空间和光谱特征，并探索了优化图形的思想，在两个高光谱图像数据集上实验证明了该方法比其他分类方法具有更好的性能。

Apr, 2022

该论文提出了一种基于 Transformer 的 CST 方法，首次将 HSI 稀疏性嵌入到深度学习中进行重建，使用 SA-MSA 进行粗细层次的像素聚类和自相似性捕捉，相比于现有方法具有更高的重建性能和更低的计算成本。

Mar, 2022