Sep, 2020

学习衍射光学的单次高光谱深度成像

PDF
TL;DR提出了一种压缩的单拍摄单目全光谱成像方法，使用衍射光学元件，通过深度和谱信息的点扩散函数的变化来同时恢复谱和深度，利用神经网络和可微分的模拟器实现优化，提供了第一个 HS-D 数据集，实验结果达到了最先进的全光谱深度成像效果。
hyperspectral-depth imagingdiffractive optical elementneural networksingle-shot imaginghs-d dataset
发现论文，激发创造
  • 使用单色点投影进行深层次高光谱深度重建

    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

  • 分散结构光用于高光谱三维成像

    本文提出了一种成本效益高且体积小的方法 —— 分散结构光（DSL），用于准确获取高光谱三维成像。DSL 通过在投影仪前放置亚毫米厚的光栅薄膜，使结构光按照波长分散。通过建立分散投影图像形成模型和像素级高光谱三维重建方法，我们验证了 DSL 的性能，并展示其在实际高光谱三维成像中的优越性。DSL 在光谱精度上达到了 18.8 纳米的半高全宽（FWHM）和 1 毫米的深度误差。DSL 为计算机视觉和图形学、文化遗产、地质学以及生物学等领域提供了准确且实用的高光谱三维成像。

    Nov, 2023

  • 多光谱立体影像融合用于 3D 高光谱场景重建

    通过将两个校准的多光谱实时摄像机结合成一个立体系统，我们提出了一种新方法来连续捕捉高光谱数据立方体，实现三维重建和光谱分析，以提高空间分辨率和光谱分辨率的视频流，旨在用于手术辅助监控。

    Dec, 2023

  • 单次高动态范围成像的深度光学技术

    通过联合训练光学编码器和电子解码器，优化 PSF 参数的镜头表面，并将其作为硬件附加件添加到传统相机中，我们证明这种深度光学成像的单拍 HDR 成像方法优于纯 CNN 方法和其他 PSF 工程方法。

    Aug, 2019

  • 基于条件去噪扩散概率模型的高光谱和多光谱图像融合

    该研究提出了一种基于条件去噪扩散概率模型的深度融合方法，用于合成具有高空间和高光谱分辨率的理想图像。通过在训练集上进行前向扩散和逆向去噪过程，该方法在实验中表现出优越性。

    Jul, 2023

  • 使用深度学习技术的单模态和多模态超光谱图像分析

    应用深度学习技术来处理高光谱影像的挑战，如高维度和有限空间分辨率，并通过多模态学习整合雷达和合成孔径雷达数据以提高空间分辨率。此外，采用对抗学习和知识蒸馏来解决领域差异和缺失模态的问题。通过自监督学习方法应对有限的训练样本，并通过降维的自动编码器和半监督学习技术利用无标签数据。所提出的方法在各种高光谱数据集上进行评估，并持续超越现有的最先进技术。

    Mar, 2024

  • 全光复杂场成像使用衍射处理器

    设计了一种基于强度传感器阵列的复杂场成像器，并通过使用迭代相位恢复算法提供幅值和定量相位信息，可用于安全、生物医学成像、传感和材料科学等多个领域。

    Jan, 2024

  • 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

  • 通过高光谱域映射学习提高视觉质量

    通过深度学习，提出了一种 SpecNet 深度架构，该架构计算光谱剖面以估计给定图像的像素动态范围调整，进而实现在低光条件下用环境一致框架生成高光谱图像，并通过自我监督和光谱剖面规则化网络来从 RGB 图像推断出可能的高光谱图像。

    Feb, 2021

  • HerosNet: 偏光高光谱可解释重构和最优采样深度网络用于瞬间压缩成像

    本文中，我们提出了一种新颖的深度网络 HerosNet，它基于 ISTA 展开框架，包括几个阶段。每个阶段可以灵活模拟感知矩阵和上下文调整梯度下降步长，并分层融合和交互先前阶段的隐藏状态，以有效地恢复当前 HSI 帧。同时，端到端地学习硬件友好的最优二进制掩码，进一步提高重建性能。最后，它被证明在模拟和真实数据集上都优于现有技术。

    Dec, 2021