生成对抗网络用于高光谱图像的时空压缩
本文介绍了一种使用生成式对抗网络与概率图模型相集成的方法来进行高光谱图像分类,试图提高分类精度并在数据利用率上更有效地使用大量未标注数据,实验结果表明,这种方法在使用少量数据进行训练时,获得了令人鼓舞的分类准确度。
Feb, 2018
本文提出一种基于深度卷积神经网络的单高光谱图像超分辨率重建方法,引入了空间-光谱先验网络(SSPN)来充分利用高光谱数据的空间信息和光谱相关性,通过组卷积和逐步上采样框架来提高稳定性和效率,并设计了空间-光谱块(SSB)来提取更丰富的特征信息,实验结果表明,所提出的SSPSR方法可以增强恢复的高分辨率高光谱图像的细节,且优于现有方法。
May, 2020
该研究提出了一种新颖的轻量级、端到端学习的框架,能够在没有成对的高光谱和 RGB 图像训练数据的情况下,从单个 RGB 图像重建高光谱图像,并在合成和实际数据上实现了更好的性能。
Aug, 2021
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
本研究提出了一种用于学习基于高光谱图像压缩的大规模基准数据集HySpecNet-11k,包括11483个分别为128×128像素的图像,具有224个光谱波段和30m的地面采样距离,用于各种一维,二维和三维卷积自编码器架构的基准测试和未监督学习任务。
Jun, 2023
基于隐式神经表示的多层感知器网络在高光谱图像压缩中充当压缩编码器,通过对每个像素位置进行评估以重建原始图像,并通过采样方法来降低压缩时间,实验证明该方法在低比特率下比JPEG、JPEG2000和PCA-DCT实现更好的压缩性能,与学习方法如PCA+JPEG2000、FPCA+JPEG2000、3D DCT、3D DWT+SVR以及WSRC相比,采样方法也获得了更好的速度和性能。
Dec, 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
本研究解决了现有高光谱图像压缩模型在局部依赖捕捉和高训练成本方面的不足。提出的高光谱压缩变换器(HyCoT)采用变换器架构,并引入了一种高效的训练策略,从而显著提升了压缩效果和训练效率。实验结果表明,HyCoT在多个压缩比率下均超过了最新的技术,且计算需求大幅降低,具有重要的实际应用潜力。
Aug, 2024
本研究解决了在极低比特率下进行遥感图像压缩的挑战,传统生成模型在重建视觉可信图像方面效果有限。我们提出了一种新颖的名为“地图辅助生成压缩”(MAGC)的方法,结合预训练的扩散模型和矢量地图,显著提高了图像的感知质量和语义准确性,显示出在严苛条件下的优秀性能。
Sep, 2024