本文介绍了一种使用无监督编码器 - 解码器体系结构、通过稀疏狄利克雷分布来解决高光谱图像超分辨率问题的方法，并在实验中证明了其优越性能。

Apr, 2018

提出了一种深度展开的自动曝光校正高光谱图像超分辨率方法，可以在光照不均衡的情况下生成具有高质量合并高光谱图像超分辨率的图像。

Mar, 2024

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

应用深度学习技术来处理高光谱影像的挑战，如高维度和有限空间分辨率，并通过多模态学习整合雷达和合成孔径雷达数据以提高空间分辨率。此外，采用对抗学习和知识蒸馏来解决领域差异和缺失模态的问题。通过自监督学习方法应对有限的训练样本，并通过降维的自动编码器和半监督学习技术利用无标签数据。所提出的方法在各种高光谱数据集上进行评估，并持续超越现有的最先进技术。

Mar, 2024

本研究提出了一种新的高光谱图像超分辨率算法，称为基于混合卷积的双域网络（SRDNet），同时在空间与频率领域设计了双域网络，利用自我注意力机制和频率损失进行优化，并使用 2D 和 3D 单元的混合模块渐进式放大策略，实现了高光谱图像的纹理和特征增强，比现有方法效果更好。

Apr, 2023

提出了一种新的 Group-Autoencoder (GAE) 框架，并与扩散模型结合，构建了一个高效的高光谱图像超分辨率模型 (DMGASR)。实验证明，该方法在视觉上和指标上优于其他最先进的方法。

Feb, 2024

提出了一种新颖的知识蒸馏框架以实现低分辨率高光谱图像的超分辨率，该框架通过使用交叉层残差聚合模块增强效率，同时从低分辨率高光谱图像和高分辨率多光谱图像中提取联合和独立特征，并采用交叉自注意力融合模块适应性地融合这些特征，以提高重构的高分辨率高光谱图像的空间和光谱质量。

Jun, 2024

利用深度学习进行高光谱图像重建，以实现农产品质量评估的成本效益和高效工具。

May, 2024

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

本文提出了一个高分辨率双域学习网络（HDNet）用于高光谱图像的重建，该网络采用像素级精细特征和频率级细化来提高感知质量，在模拟和真实数据集中取得了最优结果。

Mar, 2022