本文提出了一种基于深度卷积神经网络的多尺度图像转换方法，可以从RGB观测值中产生高分辨率的高光谱图像。在对中间特征图进行对称下采样和上采样的级联模式下，可以共同编码局部和非局部图像信息以获得更准确的光谱重建精度。

Jun, 2018

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

通过应用PCA对超光谱数据集进行预处理，再应用深度学习模型进行分类，以降低训练时间并减少对大量标记数据集的依赖，并进行了CNN和多个MLP架构模型的详细比较，结果表明采用迁移学习方法比直接训练新模型在大型数据集上更能减小训练时间以及提高准确性。

Jun, 2022

本研究基于深度学习和生成对抗网络的图像压缩方法，提出适用于高光谱图像的 HiFiC 空间-谱域压缩模型，并证明其在降低比特率和提高重建质量方面比传统 JPEG 2000 和标准 HiFiC 模型具有更高的压缩效率。

May, 2023

本研究提出了一种用于学习基于高光谱图像压缩的大规模基准数据集HySpecNet-11k，包括11483个分别为128×128像素的图像，具有224个光谱波段和30m的地面采样距离，用于各种一维，二维和三维卷积自编码器架构的基准测试和未监督学习任务。

Jun, 2023

通过引入连续光谱增益过程，以及借鉴隐式神经表示的概念，该研究提出了一种名为Spectral-wise Implicit Neural Representation (SINR)的创新方法，用于高光谱图像的重建，实现可定制的光谱超分辨率和全局光谱依赖关系捕捉。实验证明，该方法优于基准方法，并将隐式神经表示引入到Coded Aperture Snapshot Spectral Imaging（CASSI）领域。

Dec, 2023

从灰度引导图像和空间稀疏光谱线索中重构高光谱图像的上色算法，在低秩空间中上色可以减少计算时间和快门噪声的影响，以提高鲁棒性，并超过以往算法在多种性能指标方面，包括SSIM、PSNR、GFC和EMD，这些结果为克服时间-空间-波长分辨率权衡提供了一种有希望的途径。

Mar, 2024

神经网络架构在高光谱图像去马赛克中具有有效性，实验结果表明我们的网络模型在数据集上优于已有模型，并强调正确的光谱重建是实际应用中的关键。

Dec, 2023

提出了一种混合的空间-光谱去噪网络(HSSD)，该网络通过设计一个新颖的CNN和Transformer特性的混合双路径网络，以高效地捕获本地和非本地空间细节，同时抑制噪声，从而解决了现有Transformer-based方法主要关注非本地建模并忽视图像去噪中局部性的问题，并采用简单但有效的分离策略降低了计算复杂性，通过使用参数较少的多层感知机学习光谱之间的全局相关性。综合和实际实验表明，我们提出的方法在空间和光谱重建方面优于最先进的方法。

Jun, 2024

本研究解决了现有高光谱图像压缩模型在局部依赖捕捉和高训练成本方面的不足。提出的高光谱压缩变换器（HyCoT）采用变换器架构，并引入了一种高效的训练策略，从而显著提升了压缩效果和训练效率。实验结果表明，HyCoT在多个压缩比率下均超过了最新的技术，且计算需求大幅降低，具有重要的实际应用潜力。

Aug, 2024