利用采样和隐式神经表示的高光谱图像压缩

Dec, 2023

利用采样和隐式神经表示的高光谱图像压缩

Hyperspectral Image Compression Using Sampling and Implicit Neural Representations

Shima Rezasoltani, Faisal Z. Qureshi

TL;DR基于隐式神经表示的多层感知器网络在高光谱图像压缩中充当压缩编码器，通过对每个像素位置进行评估以重建原始图像，并通过采样方法来降低压缩时间，实验证明该方法在低比特率下比JPEG、JPEG2000和PCA-DCT实现更好的压缩性能，与学习方法如PCA+JPEG2000、FPCA+JPEG2000、3D DCT、3D DWT+SVR以及WSRC相比，采样方法也获得了更好的速度和性能。

Abstract

hyperspectral images, which record the electromagnetic spectrum for a pixel in the image of a scene, often store hundreds of channels per pixel and contain an order of magnitude more information than a similarly-sized RBG color image. Consequently, concomitant with the decreasing cost

发现论文，激发创造

使用多尺度卷积神经网络从单个RGB图像实现准确的光谱超分辨率

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

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

基于超光谱图像迁移学习的地形分类：一项比较研究

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

生成对抗网络用于高光谱图像的时空压缩

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

HySpecNet-11k: 用于基于学习的高光谱图像压缩方法基准测试的大规模高光谱数据集

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

高光谱图像重建的光谱隐式神经表示

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

超级彩色化：传播稀疏空间噪声光谱线索，重建高光谱图像

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

高效准确的高光谱图像解模糊神经网络架构

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

光谱空间混合神经网络用于高光谱图像降噪

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

使用RGB卷积神经网络的多光谱纹理合成

该研究解决了将先进的RGB纹理合成方法扩展到多光谱图像的困难，因为现有模型只针对RGB图像进行训练。提出了两种无需重新训练神经网络的解决方案，分别通过训练随机光谱带三元组和将多光谱像素投影到三维空间来实现。实验表明这些方法能够达到良好的视觉质量，并接近RGB图像上的先进方法。

Oct, 2024