Jun, 2023

基于深度神经网络优化先验的自监督高光谱修复

PDF
TL;DR本文介绍了一种称为 Low Rank 和 Sparsity Constraint Plug-and-Play（LRS-PnP）的新型 HSI 缺失像素预测算法，并通过将 LRS-PnP 与 Deep Image Prior（DIP）结合成为一种自监督模型，称为 LRS-PnP-DIP，实现了与其他基于学习方法相比的先进修补性能或者超越它们的性能。
hyperspectral imagemissing pixel predictionlow rank and sparsity constraint plug-and-playdeep image priorinpainting performance
发现论文，激发创造
  • 基于稀疏性和低秩约束的自监督深度高光谱修复

    本文介绍了两种新型的自我监督高光谱图像修复算法：低秩和稀疏约束插入并播放（LRS-PnP），以及其扩展 LRS-PnP-DIP，其具有强大的学习能力，但仍然不需要外部训练数据。该算法能够稳定地收敛，并具有实际应用价值。广泛的实验表明，所提出的解决方案能够产生视觉和定性上优于现有方法的图像修复结果。

    Jun, 2023

  • 深度高光谱先验：降噪、修复、超分辨率

    本篇研究旨在通过利用 CNN 的内在属性来解决高光谱图像处理中数据集过小导致训练困难的问题，并提出了一种新的不需训练网络的方法解决高光谱图像去噪、修复和超分辨率问题，该方法在性能上与已有的训练网络方法相当，但不受训练数据可用性限制。

    Feb, 2019

  • 自监督高光谱图像修复的等变成像

    基于自监督学习的新型高光谱成像算法（Hyper-EI）用于修复不完整或损坏的高光谱图像，实验结果显示该算法相较现有方法具有最先进的修复性能。

    Apr, 2024

  • 无监督稀疏狄利克雷网络用于高光谱图像超分辨率

    本文介绍了一种使用无监督编码器 - 解码器体系结构、通过稀疏狄利克雷分布来解决高光谱图像超分辨率问题的方法，并在实验中证明了其优越性能。

    Apr, 2018

  • 基于低秩和稀疏表示的快速高光谱图像去噪和修复

    该文介绍了两种非常快和竞争性强的高光谱图像复原算法：FastHyDe 和 FastHyIn，这两种算法充分利用了极度紧凑和稀疏的 HSI 表示，与最先进的方法相比，具有更低的计算复杂度。

    Mar, 2021

  • 通过自监督表示实现任意分辨率的高光谱与多光谱图像融合

    通过融合低分辨率高光谱图像（LR-HSI）与高分辨率多光谱图像（HR-MSI），提出了一种连续低秩分解（CLoRF）方法，通过将两种神经表示集成到矩阵分解中，分别捕捉空间和光谱信息，实现了低秩和连续性的自监督学习，在实验中显著超过现有技术，并实现了用户期望的分辨率提升，无需神经网络重新训练。

    May, 2024

  • 自监督异常先验的高光谱异常检测

    该研究提出了一种基于自监督网络的自监督异常先验（SAP），将低秩表示模型中的异常分量优化为了更好地适应高光谱异常，同时提出了一种双纯化策略来从复杂背景中分离异常，并通过实验验证了该方法在各种高光谱数据集上的准确性和可解释性。

    Apr, 2024

  • 基于超像素低秩逼近的部分标签学习用于高光谱图像分类

    本文提出了一种新的基于超像素低秩逼近（LRA）的部分标签学习方法 SLAP，该方法在高光谱图像（HSI）分类中首次考虑到部分标签学习，并且通过实验验证了该方法相对于现有方法的优势。

    May, 2024

  • 基于深度学习的农产品高光谱图像重建质量评估

    通过深度学习从 RGB 图像重建高光谱图像，可用于预测甘薯中的可溶性固形物含量，结果表明基于重建光谱的部分最小二乘回归模型优于使用全光谱范围的模型，突显了基于深度学习的高光谱图像重建作为一种低成本、高效的农业应用工具的潜力。

    May, 2024

  • 通过高光谱域映射学习提高视觉质量

    通过深度学习，提出了一种 SpecNet 深度架构，该架构计算光谱剖面以估计给定图像的像素动态范围调整，进而实现在低光条件下用环境一致框架生成高光谱图像，并通过自我监督和光谱剖面规则化网络来从 RGB 图像推断出可能的高光谱图像。

    Feb, 2021