Dec, 2023

像素到丰度转换：基于 Patch Transformer 的基于条件生成对抗网络的高光谱解混

PDF
TL;DR我们提出了一种基于 Hyperspectral Conditional Generative Adversarial Network 方法的高光谱解混框架，通过生成器和鉴别器的组合，将混合高光谱像素块转换为中心像素对应的成分丰度，并利用 HSI Patch Transformer 这一主要组件捕捉了高光谱像素块内部的像素相关性
spectral unmixinghyperspectral image processingconditional generative adversarial networkhsi patch transformerabundance distribution
发现论文，激发创造
  • 基于生成对抗网络和概率图模型的高光谱图像分类

    本文介绍了一种使用生成式对抗网络与概率图模型相集成的方法来进行高光谱图像分类，试图提高分类精度并在数据利用率上更有效地使用大量未标注数据，实验结果表明，这种方法在使用少量数据进行训练时，获得了令人鼓舞的分类准确度。

    Feb, 2018

  • 以物理推动的生成对抗网络赋能单像素红外高光谱成像

    通过物理驱动型生成对抗网络（GAN），整合了单像素红外高光谱成像（HSI）的物理过程，并利用真实和估计的一维桶信号作为目标函数的约束条件来更新网络参数并优化生成器，从而实现了更高的成像性能但需要更少的测量次数。我们相信这一物理驱动型 GAN 将促进计算成像，特别是各种基于单像素成像技术的实际应用。

    Nov, 2023

  • 利用 TransMix 增强原型网络进行少样本高光谱图像分类

    通过引入 TransMix 的原型网络对少样本高光谱图像分类进行增强，该方法在像素级关系和像素级注意力方面进行转换器特征提取，使用合成边界数据增强多样性和用于训练模型，证明了在少样本高光谱图像分类方面具有尖端性能和更好的鲁棒性。

    Jan, 2024

  • 基于敌对网络的 RGB 空间上下文感知光谱图像重建

    本文提出了一种基于生成对抗网络的图像到图像映射方法，用于超光谱自然图像重建，经过定量评估，相对均方根误差降低了 54.0%。

    Sep, 2017

  • 针对航空图像去雾的领域感知无监督高光谱重建

    本文提出了一种基于 SkyGAN 的去雾方法，该方法包括领域感知的 H2H 模块和基于 cGAN 的多个图像转换模块，使用多光谱图像作为辅助信息，使用新的数据集 HAI 进行评估。

    Nov, 2020

  • HAGAN：医学图像合成的混合增强生成对抗网络

    医学图像合成（MIS）在智能医疗领域起着重要作用，极大节省了医学诊断的经济和时间成本。我们提出了混合增强生成对抗网络（HAGAN），通过注意力混合生成器、分层鉴别器和鉴别器与生成器之间的反向跳跃连接来保持结构纹理和组织细胞的真实性，提高合成图像的病理完整性和局部特征的准确性。在 COVID-CT、ACDC 和 BraTS2018 三个不同规模的数据集上进行的实验评估表明，HAGAN 优于现有方法，在高分辨率和低分辨率方面均达到了最先进的性能。

    May, 2024

  • 像素自适应深度展开变换器用于高光谱图像重建

    我们提出了一种适用于高光谱图像重建的像素自适应深度展开变换 (PADUT)，通过引入非局部光谱变换 (NST) 强调了 HSI 的 3D 特征，并通过快速傅里叶变换 (FFT) 改进了阶段交互。实验结果表明我们的方法相较于最先进的 HSI 重建方法具有卓越的性能。

    Aug, 2023

  • 使用生成对抗网络进行单幅图像去雾

    本文提出了一种利用改良条件生成对抗网络的端到端学习的方法，采用 Tiramisu 模型代替传统的 U-Net 模型作为生成器，使用基于贴片的鉴别器来减少输出图像中的伪喷雾，并设计了混合加权损失函数来提高输出图像的感知质量，实验结果表明，该模型在合成和真实世界喷雾图像上与现有技术水平相当。

    Oct, 2018

  • PSGAN：一种用于遥感图像全色增强的生成对抗网络

    本文提出 PSGAN，一种基于深度神经网络的遥感图像全色增强方法，旨在生成高质量的全色增强图像。通过试验和分析，它优于目前的主要解决方案，并且可以很好地推广到全尺寸图像。

    May, 2018

  • 远程感知图像中的数据增强和适应的条件生成对抗网络

    使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

    Aug, 2019