本文综述了基于深度学习的高光谱影像分类方法，并比较了几种解决方案。该框架将相关工作分为光谱特征网络、空间特征网络和光谱空间特征网络三部分，最后，基于实际高光谱数据验证了几种典型的深度学习分类算法。

Oct, 2019

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

本文探讨了如何利用一种基于深度神经网络的轻量级框架和频谱空间可分离卷积技术解决高光谱低分辨率图像与多光谱高分辨率图像相结合的问题，并在真实和人工数据集上进行了实验，取得了显著优于现有方法的结果。

Jun, 2020

本文提出了一种基于特定设计的超级卷积核的结构参数生成方法，将原始的复杂双重优化问题转化为易于实现的单阶优化方法，显著降低了搜索成本；同时，结合三维卷积分解机制，获得了不同类型的网络，大大提高了网络的灵活性，取得了超过其他先进的神经架构搜索方法的最优结果。

Apr, 2023

本研究基于深度学习和生成对抗网络的图像压缩方法，提出适用于高光谱图像的 HiFiC 空间-谱域压缩模型，并证明其在降低比特率和提高重建质量方面比传统 JPEG 2000 和标准 HiFiC 模型具有更高的压缩效率。

May, 2023

本文提出了一种基于扩散模型的非监督超光谱图像(HSI)特征学习框架Diff-HSI，其可以利用时间步长性质捕捉更丰富的特征，设计了一个时间步骤的特征库和动态特征融合模块，最后实现了HSI分类。在三个公共HSI数据集上进行的广泛实验证明，Diff-HSI优于各种现有的监督和非监督HSI分类方法。

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

本研究解决了高光谱成像（HSI）领域缺乏全面且具有全球代表性的高光谱数据集的问题。我们提出了SpectralEarth，一个大型多时相数据集，旨在通过自监督学习算法预训练高光谱基础模型，显著提高了不同任务和传感器中的模型通用性和计算效率。该数据集、模型和源代码将公开发布，推动高光谱成像的进一步研究与应用。

Aug, 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