本文提出一个基于 Transformer 网络的 HSI 重建方法，称作 DAUHST。该方法使用 DAUF 框架估算压缩图像和物理掩模的参数，并使用这些参数来控制每一次迭代。同时，自定义的半洗牌 Transformer（HST）可以同时捕获局部内容和非局部依赖性，实验证明 DAUHST 明显优于其他最先进的方法，并具有较低的计算和存储成本。

May, 2022

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

我们提出了一种适用于高光谱图像重建的像素自适应深度展开变换 (PADUT)，通过引入非局部光谱变换 (NST) 强调了 HSI 的 3D 特征，并通过快速傅里叶变换 (FFT) 改进了阶段交互。实验结果表明我们的方法相较于最先进的 HSI 重建方法具有卓越的性能。

Aug, 2023

提出了一种名为 DiffSpectralNet 的新型网络，通过结合扩散和变换器技术，利用无监督学习和预训练去噪 U-Net 提取高层和低层光谱空间特征，并使用监督变换器分类器进行高光谱图像分类，实现了超越现有方法的创新，达到了最先进的性能。

Oct, 2023

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

本文提出了一种谱增强矩形 Transformer 用于处理高光谱图像去噪问题，该方法利用矩形 self-attention 捕捉空间域中的非局部相似性和全局光谱低秩特性，设计了谱增强模块来提取空间光谱立方体的全局低秩特性以抑制噪声，实验结果表明该方法在客观指标和主观视觉质量上都具有有效性。

Apr, 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

提出了一种自调制卷积神经网络（SM-CNN）用于高光谱图像去噪，通过利用相关的光谱和空间信息，该网络能够根据相邻的光谱数据自适应地转换特征，提高处理复杂噪声的能力，实验证明在合成和真实数据上，SM-CNN 在公共基准数据集上在定量和定性上均优于其他最先进的高光谱图像去噪方法。

Sep, 2023