本论文介绍了从 Keshava 和 Mustard 的分离教程 [1] 到现在的分离方法的概述。混合模型首先被讨论。描述了信号子空间，几何，统计，稀疏基础和空间上下文分离算法。同时讨论了数学问题和潜在解决方案。通过实验展示算法特征。

Feb, 2012

本研究介绍了一个合成高光谱数据集，通过高光谱和高空间分辨率成像实现观测场景或物体的全面、准确、详细的表示，强调多模态融合在生成高质量合成高光谱数据集中的重要性，以及光谱 - 空间关系的改善对于各个领域的分析、监测和决策的影响。

Jun, 2023

该研究提供了先进和传统的混合解析方法的概述，并从三个类别进行了关键比较。同时，实验结果显示了不同混合解析场景下不同解析类别的优势，并提供了一个基于 Python 的开源软件包以重现结果。

Aug, 2023

本文将基于物理原理的方法与深度学习相结合，借助分散模型工具将光谱变异性考虑到算法中，并将测量数据分解为纯物质组成的混合物，使用卷积神经网络对分散模型参数进行反渲染预测以提高精度和速度，在可见到近红外和红外两个数据集上取得了最先进的结果。

Jul, 2020

通过将两个校准的多光谱实时摄像机结合成一个立体系统，我们提出了一种新方法来连续捕捉高光谱数据立方体，实现三维重建和光谱分析，以提高空间分辨率和光谱分辨率的视频流，旨在用于手术辅助监控。

Dec, 2023

利用高光谱图像的物质信息提出了材料特征表示和基于材料的物体跟踪方法，并构建了一个全面标注的数据集进行实验验证。

Dec, 2018

该研究论文提出了一种数据处理流水线，旨在从未知太空物体的高光谱特征中提取信息，通过单像素图像确定太空物体的物质组成，并使用基于机器学习和最小二乘匹配的技术对物质进行识别和分类，研究了在非理想情况下的物质分类方法的行为，并初步展示了太空物体的鉴定和分类的一些初步结果。

Aug, 2023

对于物体分割的多模态感知在实际废物管理环境中进行了研究，包括数据集收集和算法评估，证明了高光谱成像可在工业环境中提升光学感知性能。

Mar, 2024

通过空中高光谱图像，利用具有极高空间和光谱分辨率以及覆盖广泛光谱领域的特点，进行大型城市地表覆盖的绘制。然而，由于训练数据的有限性，利用现有机器学习算法对地表覆盖进行绘制的能力受到了严重限制。针对标记数据的稀缺性，半监督和自监督技术引起了社区的广泛关注。因此，我们在本文中发布了 Toulouse Hyperspectral 数据集，以满足光谱表示学习和大规模高光谱图像分类中的关键问题。此外，我们讨论和实验了 Masked Autoencoders 的自监督任务，并建立了一个基于常规自编码器与随机森林分类器相结合的像素级分类基线，实现 82％的总体准确性和 74％的 F1 得分。

Nov, 2023

通过使用插值技术，介绍了一种光谱图像数据融合的方法，以允许机器学习模型在更多数据源上进行训练和使用，从而提供更好的泛化能力。通过使用表面绘图和指标（如 CMSE 和 NDVI），评估了插值结果，并通过估计对语义分割等机器学习模型训练的影响进行间接评估。

Apr, 2024