该论文提出了一种基于 Transformer 的 CST 方法,首次将 HSI 稀疏性嵌入到深度学习中进行重建,使用 SA-MSA 进行粗细层次的像素聚类和自相似性捕捉,相比于现有方法具有更高的重建性能和更低的计算成本。
Mar, 2022
提出了一种新颖的全面关联变换器(Exhaustive Correlation Transformer,ECT)来进行光谱超分辨率,通过整合统一的空间 - 光谱关注力和相互线性依赖,建立了高光谱图像中的全面关联。实验结果表明,这种方法在模拟和真实数据上都达到了最先进的性能。
Dec, 2023
通过引入 SCC 作为注意力矩阵并利用 ESSA 技术,提出了 ESSAformer 网络用于超分辨率任务,提升了高光谱图像的视觉质量和定量结果。
Jul, 2023
提出了一种多尺度光谱空间卷积 Transformer (MultiscaleFormer) 用于高光谱图像分类,通过多尺度空间补丁和光谱表示来捕捉多尺度光谱空间信息,并通过改进的光谱空间 CAF 模块进行信息融合,取得了优于大部分其他架构的分类性能。
Oct, 2023
用于遥感图像超分辨率 (RSISR) 的新型 Transformer 网络 SPIFFNet,通过引入跨空间像素整合和跨阶段特征融合注意力机制,有效提高了全局认知和特征表达能力,从而在定量度量和视觉质量上优于现有方法。
通过对色彩间的相互依赖进行研究,利用嵌入的特征在复合空间中查询通道间的相关性,提出了 CESST 方法,它能够揭示边缘光谱特征,并在所有维度上高效地融合独特和互补信息,大大促进了信息的挖掘与融合,实现了 SOTA 性能。
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
本文介绍了一种新颖的方法:将 3D Swin Transformer 和 Spatial-spectral Transformer 的注意力机制进行融合,从而显著提高高光谱图像的分类性能。该方法不仅优化了空间和光谱信息的建模,还实现了更精确和准确的分类结果,通过在基准高光谱图像数据集上进行实验和评估,表明了融合方法的有效性,展示了其相对于传统方法和独立变换器的优越性。同时,采用独立的训练、验证和测试样本增强了所提出方法的鲁棒性和可靠性,并突出了其推动高光谱图像分类领域的潜力。
May, 2024
本研究提出了一种带有跨注意机制的耦合解混合网络 (CUCaNet),用于通过更高空间分辨率的多光谱图像 (MSI) 增强高光谱图像 (HSI) 的空间分辨率,并在三个广泛使用的 HS-MS 数据集上进行了广泛的实验来证明其优越性。
Jul, 2020
本文提出 Mask-guided Spectral-wise Transformer (MST) 框架,通过 Spectral-wise Multi-head Self-Attention 和 Mask-guided Mechanism 的组合,可以有效解决 CNN-based 方法捕捉波谱相似性以及长距离依赖性上的局限性,而且能够充分利用 CASSI 系统中物理屏的信息对高保真度的 HSI 重建有提升作用。
Nov, 2021