Sep, 2023

SSIF：学习空间光谱超分辨率的连续图像表示

PDF
TL;DR该研究论文提出了一种空间 - 光谱隐式函数 (SSIF)，它能够以空间和光谱领域的连续像素坐标和连续波长的方式表示图像，通过实证验证了 SSIF 在两个具有挑战性的空间 - 光谱超分辨率基准上的有效性。研究还表明，即使允许基线模型在每个光谱分辨率上进行单独训练，SSIF 仍然始终优于现有技术的基线模型，并且 SSIF 能够很好地适应不同的未见空间和光谱分辨率，并生成提高下游任务性能（如土地利用分类）1.7％-7％的高分辨率图像。
digital sensorsneural implicit functionsspatial-spectral implicit functionspatio-spectral super-resolutionhigh-resolution images
发现论文，激发创造
  • 动态隐式图像函数用于高效任意尺度图像表示

    DIIF 是一种动态隐式图像函数，其使用坐标分组和切片策略从坐标切片到像素值切片进行解码，以显着降低计算成本，并且可以与超分辨率方法集成以实现令人满意的性能。

    Jun, 2023

  • UltraSR：空间编码是隐式图像函数任意比例超分辨率的缺失关键

    该论文提出了一种基于隐式图像函数的新网络设计 ——UltraSR，它深度融合了空间坐标和周期编码，并通过实验证明了空间编码对于高性能隐式图像函数的重要性，并在 DIV2K 基准测试中取得了新的最先进表现。

    Mar, 2021

  • 基于像素感知的深度函数混合网络用于光谱超分辨率

    提出了一种基于像素的深度函数混合网络，其中包括一种新的模块，称为函数混合（FM）块，用于光谱超分辨率，以确定每个像素的接受域大小和映射函数，并使用 late-stage 的中间特征增强了性能，在三个基准 HSI 数据集上验证其优越性。

    Mar, 2019

  • 通过隐式神经表示从 RGB 图像实现连续光谱重建

    本文介绍了 Neural Spectral Reconstruction (NeSR) 方法来提高光谱重建的连续性。通过引入一种新的连续光谱表示，我们利用神经网络实现了参数化拟合。经过实验验证，NeSR 方法在重建准确性方面表现出明显优势，同时也可以支持任意数量的光谱重建。

    Dec, 2021

  • 学习空间光谱先验用于高光谱图像超分辨率

    本文提出一种基于深度卷积神经网络的单高光谱图像超分辨率重建方法，引入了空间 - 光谱先验网络 (SSPN) 来充分利用高光谱数据的空间信息和光谱相关性，通过组卷积和逐步上采样框架来提高稳定性和效率，并设计了空间 - 光谱块 (SSB) 来提取更丰富的特征信息，实验结果表明，所提出的 SSPSR 方法可以增强恢复的高分辨率高光谱图像的细节，且优于现有方法。

    May, 2020

  • 使用局部隐式图像函数学习连续的图像表示

    本文提出了一种名为 LIIF 的局部隐式图像函数，通过输入图像坐标和周围的 2D 深度特征，预测给定坐标的 RGB 值，训练得到的连续表示可以呈现在任意分辨率下，甚至可以外推到高达 x30 的分辨率，同时 LIIF 还在 2D 中构建了离散和连续表示之间的桥梁。

    Dec, 2020

  • 学习的光谱超分辨率

    使用卷积神经网络 (CNN) 的最佳实践完成从 RGB 图像到对应大小的高光谱图像的直接映射，实现了超分辨率的高光谱成像，优于现有技术水平。

    Mar, 2017

  • 自适应局部隐式图像函数用于任意比例超分辨率

    本研究提出了一种新的自适应局部图像函数（A-LIIF）模型，旨在通过采用编码器和扩展网络，建模多个局部隐式图像函数的加权组合，从而缓解局部隐式图像函数（LIIF）模型在边缘周围出现结构失真和环状伪影等问题，实现图像超分辨率的高精度重建。

    Aug, 2022

  • 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

  • 基于模型无关方法的隐式神经表示任意尺度图像超分辨率

    单张图像超分辨率（SISR）使用深度卷积网络取得了显著的进展，但传统网络只能将图像放大到固定比例，因此利用隐式神经函数生成任意比例的图像；本文介绍了一种新颖高效的框架 —— 混合专家隐式超分辨率（MoEISR），它在显著提高计算效率的同时，能够以任意比例进行超分辨率重建，而不损失重建质量；MoEISR 利用轻量级映射器模块动态分配最适合的解码专家给每个像素，使具有不同容量的专家能够重建复杂度各异的区域像素；实验证明，MoEISR 能够在缩减高达 73% 的浮点运算（FLOPs）的同时，提供相当或更优的峰值信噪比（PSNR）。

    Nov, 2023