提出了一个使用条件扩散模型的高光谱影像超分辨率方法，该方法融合了高分辨率多光谱图像（MSI）和相对应的低分辨率超光谱影像（LR-HSI），通过经过多次优化的迭代过程生成超分辨率图像。实验表明，该方法在超分辨率领域的表现优于目前的状态 - of-the-art 方法。

Jun, 2023

本文提出了一种基于循环一致性的无监督高光谱图像和多光谱图像融合模型，通过学习低分辨率高光谱图像与高分辨率多光谱图像之间的域转换，实现了高分辨率高光谱图像的生成，并且在多个数据集上的实验证明该模型优于其他无监督融合方法。

Jul, 2023

本文提出了一种基于模型的深度学习方法，用于合并高分辨率多光谱和低分辨率高光谱图像以生成高分辨率高光谱图像，实验结果证实该方法在视觉和定量上均优于同类方法。

Jan, 2019

提出了一种基于光谱 - 空间扩散模型的高光谱图像分类方法，该方法可以实现对训练样本的光谱和空间分布的前向和反向扩散过程，从而对样本之间的全局空间 - 光谱关系进行建模，提取的特征可以从重建的训练样本分布中获得更好的分类性能。

Apr, 2023

融合基于高光谱图像（HSI）的超分辨率通过融合低空间分辨率的 HSI 和高空间分辨率的多光谱图像来产生高空间分辨率的 HSI。本文提出了一种新颖的基于光谱扩散的先验方法来实现 HSI 超分辨率。在最大后验概率的框架下，通过反向生成过程保留每两个相邻状态之间的转移信息，并将训练好的光谱扩散模型的知识嵌入到融合问题中作为正则化项。最后，将最终优化问题的每个生成步骤视为其子问题，并使用 Adam 算法以反向顺序解决这些子问题。在合成和真实数据集上进行的实验结果证明了所提方法的有效性。所提方法的代码将在此 https 网址上提供。

Nov, 2023

我们提出了物理启发的退化模型（PIDM），通过空间降级网络（SpaDN）和光谱降级网络（SpeDN）模拟镜头畸变和图像分辨率降低的过程，从而提高了现有融合方法在实际场景中的融合性能。

Feb, 2024

本文提出使用三维卷积神经网络（3-D-CNN）的方法来融合多光谱（MS）和高光谱（HS）图像，以获得高分辨率的高光谱图像。在融合之前进行高光谱图像的降维以显著减少计算时间，并使方法对噪声更具鲁棒性。实验结果表明，与传统方法相比，所提出的方法在高光谱图像受加性噪声干扰时尤其表现出色。

Jun, 2017

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

本文介绍了一种新的 HS-MS 图像融合策略，该策略将不混合基础方法与典型光谱变异的显式参数模型相结合，模拟表明该策略在光谱变异下可以显著提高性能，并表现出最先进的性能。

Aug, 2018

该研究介绍了一种基于凸优化的构建高分辨率 HSI 和高分辨率 MSI 综合图像的数据融合方法，使用向量全变差作为正则化项，通过 Split Augmented Lagrangian Shrinkage Algorithm（SALSA）算法实现优化，取得了优于现有算法的效果。

Nov, 2014