BSDM:超光谱异常检测的背景抑制扩散模型
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
本文介绍了一种基于扩散模型的远程感知高光谱图像变化检测方法,结合语义相关性扩散模型和交叉时序对比学习机制,利用丰富的未标定样本获得不变的光谱差异特征在三个数据集上的实验表明,该方法在准确性、kappa 系数和 F1 值等方面都优于最先进的无监督方法,同时可以跟需要大量注释样本的全监督方法达成可比较的结果。
May, 2023
本文分析了人类视觉感知下的高光谱影像特征,并首次将异常检测 (HAD) 的解决过程转移到了更稳健的特征空间。我们提出了一种小目标感知检测器 (STAD),它引入了显著性图来捕捉更接近人类视觉感知的高光谱影像特征。此外,我们还提出了一种全连接网络到卷积网络的知识蒸馏策略,以适应 HAD 算法应用于边缘设备的可能性。我们在 HAD100 训练集上训练了网络,并在 HAD100 测试集上验证了所提出方法。经过充分的实验证明,我们的方法在真实高光谱影像上表现出卓越的性能和独特的潜力。
Jan, 2024
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
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
为了提高图像去模糊的速度和精确度,本文提出了一种基于分层积分的扩散模型 (HI-Diff),利用高度压缩的潜空间进行去模糊并结合多尺度的回归方法,从而实现在复杂情景下的更好的泛化效果,实验表明 HI-Diff 在合成数据集和实际场景中均优于当前主流方法。
May, 2023
该研究提出了一种基于条件去噪扩散概率模型的深度融合方法,用于合成具有高空间和高光谱分辨率的理想图像。通过在训练集上进行前向扩散和逆向去噪过程,该方法在实验中表现出优越性。
Jul, 2023
通过利用选择性状态空间模型(Mamba)的近乎线性计算复杂性,本文提出了 HSIDMamba(HSDM)用于高光谱图像去噪,利用 HSDM 的连续扫描机制强化了空间 - 光谱相互作用,提高了去噪性能,实验结果表明 HSDM 在性能上超过了最新的变压器架构的效率提升 30%。
Apr, 2024
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
本文提出了一种基于预训练扩散模型的无监督高光谱图像恢复框架(HIR-Diff),通过两个低秩分量(即降维图像和系数矩阵)的乘积来还原清晰的高光谱图像。实验证明,该方法在高光谱图像恢复任务中具有卓越的性能和速度优势。
Feb, 2024