深高斯比例混合先验用于光谱压缩成像
本文介绍了一种新的深度学习方法,利用基于完整的变分贝叶斯学习方法来处理高光谱图像重建中硬件失调的问题,通过感知无序网络(GST)来处理不同硬件情况下的信号不确定性和现实硬件的靶掩模分解。实验证明此方法表现比其他方法更好。
Dec, 2021
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
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
通过引入连续光谱增益过程,以及借鉴隐式神经表示的概念,该研究提出了一种名为 Spectral-wise Implicit Neural Representation (SINR) 的创新方法,用于高光谱图像的重建,实现可定制的光谱超分辨率和全局光谱依赖关系捕捉。实验证明,该方法优于基准方法,并将隐式神经表示引入到 Coded Aperture Snapshot Spectral Imaging(CASSI)领域。
Dec, 2023
本文提出 Mask-guided Spectral-wise Transformer (MST) 框架,通过 Spectral-wise Multi-head Self-Attention 和 Mask-guided Mechanism 的组合,可以有效解决 CNN-based 方法捕捉波谱相似性以及长距离依赖性上的局限性,而且能够充分利用 CASSI 系统中物理屏的信息对高保真度的 HSI 重建有提升作用。
Nov, 2021
本文介绍了一种通过神经网络的深度生成模型来提供低维参数化图像或信号流形的方法, 证明了其在噪声的压缩感知方面的收敛算法,其样本复杂度与先前的稀疏方法相比具有线性的优越性和改进的潜力。
Dec, 2018
研究了编码光阑快照光谱成像 (CASSI) 的反问题,该方法使用快照 2D 测量来捕获空间 - 光谱数据立方体,并使用算法重建 3D 高光谱图像 (HSI)。然而,基于卷积神经网络 (CNN) 的当前方法难以捕捉长程依赖和非局部相似性。最近流行的基于 Transformer 的方法由于自我注意力引起的高计算成本在下游任务中得不到充分应用。在本文中,我们首次将可变卷积网络 (DCN) 应用于这项任务,提出了粗 - 细粒度光谱感知可变卷积网络 (CFSDCN)。考虑到 HSI 的稀疏性,我们设计了一个变形卷积模块,利用其可变形性来捕捉长程依赖和非局部相似性。此外,我们提出了一个新的光谱信息交互模块,考虑到粗粒度和细粒度的光谱相似性。大量实验证明,我们的 CFSDCN 在模拟和真实 HSI 数据集上显著优于之前的最先进方法。
Jun, 2024
本文提出了一种端到端可训练的图像压缩框架,采用自回归和分层先验的组合估计每个潜在表示的分布,并使用一种方法将比特率分配到每个图像以最大化 MS-SSIM。
Oct, 2019