基于低秩和稀疏表示的快速高光谱图像去噪和修复
本文介绍了两种新型的自我监督高光谱图像修复算法：低秩和稀疏约束插入并播放（LRS-PnP），以及其扩展 LRS-PnP-DIP，其具有强大的学习能力，但仍然不需要外部训练数据。该算法能够稳定地收敛，并具有实际应用价值。广泛的实验表明，所提出的解决方案能够产生视觉和定性上优于现有方法的图像修复结果。
Jun, 2023
本篇研究旨在通过利用 CNN 的内在属性来解决高光谱图像处理中数据集过小导致训练困难的问题，并提出了一种新的不需训练网络的方法解决高光谱图像去噪、修复和超分辨率问题，该方法在性能上与已有的训练网络方法相当，但不受训练数据可用性限制。
Feb, 2019
本文介绍了一种称为 Low Rank 和 Sparsity Constraint Plug-and-Play（LRS-PnP）的新型 HSI 缺失像素预测算法，并通过将 LRS-PnP 与 Deep Image Prior（DIP）结合成为一种自监督模型，称为 LRS-PnP-DIP，实现了与其他基于学习方法相比的先进修补性能或者超越它们的性能。
Jun, 2023
提出了一种混合的空间 - 光谱去噪网络 (HSSD)，该网络通过设计一个新颖的 CNN 和 Transformer 特性的混合双路径网络，以高效地捕获本地和非本地空间细节，同时抑制噪声，从而解决了现有 Transformer-based 方法主要关注非本地建模并忽视图像去噪中局部性的问题，并采用简单但有效的分离策略降低了计算复杂性，通过使用参数较少的多层感知机学习光谱之间的全局相关性。综合和实际实验表明，我们提出的方法在空间和光谱重建方面优于最先进的方法。
Jun, 2024
本文提出了一种基于流的高光谱图像去噪网络（HIDFlowNet），用于直接学习给定噪声高光谱图像的清洁图像的条件分布，从而可以从条件分布中采样出不同的清洁图像。实验结果表明，与其他现有方法相比，我们的方法在模拟和真实高光谱图像数据集上具有更好的去噪效果。
Jun, 2023
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
本文提出了一种基于预训练扩散模型的无监督高光谱图像恢复框架（HIR-Diff），通过两个低秩分量（即降维图像和系数矩阵）的乘积来还原清晰的高光谱图像。实验证明，该方法在高光谱图像恢复任务中具有卓越的性能和速度优势。
Feb, 2024