Jul, 2023

轻量级光谱注意力网络的无监督光谱去马赛克

PDF
TL;DR本文提出了一种基于深度学习的无监督谱色去马赛克技术，该技术通过使用谱分系统的性质，提出了一个马赛克损失函数，配以相应的模型结构、变换策略和早期停止策略，形成一个完整的无监督谱色去马赛克框架，并在合成和实际数据集上展示了其优越性。另外，作者还发布了一个用于基准测试的真实 25 波段高光谱马赛克图像数据集 Mosaic25。
deep learningspectral demosaicingunsupervised learningspectral attention modulehyperspectral mosaic
发现论文，激发创造
  • 高效准确的高光谱图像解模糊神经网络架构

    神经网络架构在高光谱图像去马赛克中具有有效性，实验结果表明我们的网络模型在数据集上优于已有模型，并强调正确的光谱重建是实际应用中的关键。

    Dec, 2023

  • S2A: 多光谱波段合成的空间 - 频谱 Laplacian 注意力 Wasserstein GAN

    本研究介绍了一种使用对抗学习合成高分辨率多光谱卫星影像的方法，其中通过注意力机制规范能带合成过程，进一步使用带渐变惩罚规范对抗性学习的训练和稳定性，提出了一种评估鉴别器深度特征的新成本函数，通过对 LISS-3，LISS-4 和 WorldView-2 数据集上的实验发现，使用该方法可以获得比目前现有技术更好的结果，并提供简单易用、丰富多样的高质量成像数据产品。

    Apr, 2020

  • 走向无莫尔条纹和保留细节的去马赛克化

    分析 3D 卷积在图像去马赛克模型中所存在的问题，如 Moire 伪影和过度平滑，并提出一种新的卷积方法来加强在颜色和空间维度上的信息交流，针对图像去马赛克和降噪等任务验证该方法的效果。

    May, 2023

  • 高光谱图像获取的广义修补方法

    文中介绍了一种利用单体集成光谱滤光片的高光谱成像设备，提出了一种基于压缩感知和分析稀疏模型的超分辨率处理和去马赛克的方法，并通过数值实验验证其效率。

    Feb, 2015

  • 深度谱方法：无监督语义分割和定位惊人强大的基准线

    通过基于传统光谱分割方法，将图像分解为由自我监督网络的特征亲和矩阵的拉普拉斯特征向量，以对场景中的对象进行定位和义分割的无监督方法，在 Pascal VOC，MS-COCO 等复杂数据集上取得了显著的定位和分割优势。

    May, 2022

  • 鲁棒且普适的医学图像分割的空间和光谱学习的协调

    本研究介绍了一种新颖方法，通过结合空间和频谱表示来增强领域通用医学图像分割的能力，并引入了创新的谱相关系数目标函数来提高模型对中阶特征和上下文长距离依赖关系的捕捉能力。大量实验证明，优化该目标函数能显著提高 UNet 和 TransUNet 等现有架构的泛化能力、解释能力和噪声鲁棒性，生成更可信的预测结果。

    Jan, 2024

  • 级联卷积残差去噪网络实现深度图像去马赛克

    本文提出了一种新的深度学习架构，应用场景为联合图像清晰化和去噪。与基于深度学习的现有方法相比，该网络需要较少的可训练参数，具有更为透明和清晰的解释能力，在噪声和非噪声数据上均优于其他方法并具有良好的泛化能力。

    Mar, 2018

  • 野外单个 RGB 图像中基于语义嵌入的无监督光谱重建

    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

  • SAWU-Net：面向高光谱图像的空间注意力加权解混合网络

    提出了一种基于空间注意力权重的混合网络（SAWU-Net），该网络可以更好地在端到端的模式下，学习空间注意力网络和加权混合网络，以更好地利用空间特征。 SAWU-Net 通过像素注意块和窗口注意块有效地建模基于像素的光谱信息和基于补丁的空间信息，生成动态自适应的空间权重，以更有效地集成周围像素，其实验结果表明 SAWU-Net 具有更好的精度和优越性，反映了所提出的空间注意力机制的有效性。

    Apr, 2023

  • 基于无监督深度学习的波段融合技术与频谱空间保真度的联合增强

    最近几年，深度学习在多分辨率图像泛光提升中起着主导作用。本文提出了一种基于深度学习的全分辨率训练框架，通过定义适当的损失函数和训练方法，充分发挥了这种方法的潜力，提供了先进的性能。实验证明，该方法在数值结果和视觉输出方面与现有技术相比具有显著优势。

    Jul, 2023