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

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

本文提出了一种基于可逆先验的新框架，称为 SST-ReversibleNet，它采用迭代能力优化了光谱图像重建的准确性，并在全局相关性上均衡了计算复杂性。在模拟和实际数据集上，该框架明显优于现有方法，并且需要更低的计算和存储成本。

May, 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

通过构建一种跨域空间 - 谱域的转换器来提高超光谱图像的空间分辨率，该转换器能够有效地捕捉远程相关性。

Nov, 2023

提出了一种新颖的全面关联变换器（Exhaustive Correlation Transformer，ECT）来进行光谱超分辨率，通过整合统一的空间 - 光谱关注力和相互线性依赖，建立了高光谱图像中的全面关联。实验结果表明，这种方法在模拟和真实数据上都达到了最先进的性能。

Dec, 2023

我们提出了一种基于 3D 卷积引导的光谱 - 空间 Transformer（3D-ConvSST）的高光谱图像分类方法，该方法利用 3D 卷积引导的残差模块（CGRM）在编码器之间来 “融合” 局部空间和光谱信息以增强特征传递，并通过全局平均池化来提取更具有辨别力和相关性的高级特征进行分类。在三个公共高光谱图像数据集上进行了大量实验，证明了所提出模型相比传统的、卷积和 Transformer 模型的优越性。

Apr, 2024

该论文介绍了一个用于高光谱图像去噪的空间 - 光谱循环变换 U-Net (SSRT-UNet)。该方法利用全局光谱相关性和非局部空间自相似性的领域知识，通过整合这两种知识成分，并在一个 SSRT 块中对其进行处理，实现了 NSS 和 GSC 的联合利用，从而在高光谱图像去噪方面取得了优于其他方法的效果。

Dec, 2023

本文介绍了一种新颖的方法：将 3D Swin Transformer 和 Spatial-spectral Transformer 的注意力机制进行融合，从而显著提高高光谱图像的分类性能。该方法不仅优化了空间和光谱信息的建模，还实现了更精确和准确的分类结果，通过在基准高光谱图像数据集上进行实验和评估，表明了融合方法的有效性，展示了其相对于传统方法和独立变换器的优越性。同时，采用独立的训练、验证和测试样本增强了所提出方法的鲁棒性和可靠性，并突出了其推动高光谱图像分类领域的潜力。

May, 2024

本文提出了 MST 方法，它可以显式捕捉图像的局部上下文并保留全局语义信息，在密集预测任务上有更好的性能，在多个数据集上得到验证，并优于同等时期的监督方法和其可比的变体 DINO。

Jun, 2021