Jan, 2024

基于数据驱动的光谱重建的局限性 -- 一种光学感知分析

PDF
TL;DR通过对 RGB 图像进行数据驱动的光谱重建方法的分析，我们发现当前模型在噪声、压缩和变色上存在限制，然而，通过异色数据增强和光学镜头像差可以提高 RGB 图像对色差信息的编码，从而带来更高性能的光谱成像和重建方法。
hyperspectral imagingspectral reconstructionrgb imagesdata-driven methodsmetameric colors
发现论文，激发创造
  • 多光谱立体影像融合用于 3D 高光谱场景重建

    通过将两个校准的多光谱实时摄像机结合成一个立体系统，我们提出了一种新方法来连续捕捉高光谱数据立方体，实现三维重建和光谱分析，以提高空间分辨率和光谱分辨率的视频流，旨在用于手术辅助监控。

    Dec, 2023

  • 多源融合合成高光谱数据集的高光谱空间分辨率提升

    本研究介绍了一个合成高光谱数据集，通过高光谱和高空间分辨率成像实现观测场景或物体的全面、准确、详细的表示，强调多模态融合在生成高质量合成高光谱数据集中的重要性，以及光谱 - 空间关系的改善对于各个领域的分析、监测和决策的影响。

    Jun, 2023

  • 使用单色点投影进行深层次高光谱深度重建

    该论文提出了一种新的单次多光谱深度重建方法，使用 RGB 相机和投影仪，利用单个彩色点图像实现深度重建和空间变化颜色照明的多光谱反射重建，文中介绍了网络架构，并通过实验表明该方法优于现有单次多光谱反射重建方法和深度重建方法的组合。

    Apr, 2022

  • 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

  • 在野外从单个 RGB 图像中实现光谱估计

    本文提出针对 RGB 图像的光谱重建问题一种基于深度学习和卷积网络的高效解决方案，使用参考光谱进行敏感度函数估计，并讨论普适性与特化模型的局限性，实验结果表明，从单张 RGB 图像准确进行光谱估计已经可以在一定程度上实现。

    Dec, 2018

  • 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

  • 使用深度学习技术的单模态和多模态超光谱图像分析

    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

  • RGB 光谱重建中基于照明感知的 IR-Cut 滤镜调整

    本研究提出了一种基于滤光阵列的颜色成像机制，旨在设计 IR 剪切滤光片，以改善现有 RGB 相机的光谱恢复，进而提出一个基于深度学习的光谱重建方法，并得到了合成和真实图像试验结果的验证。

    Mar, 2021

  • 光谱 3D 计算机视觉 -- 综述

    该研究概述了光谱 3D 计算机视觉的方法，应用领域和未来挑战。该技术结合了几何和光谱分析，能够从电磁谱中获得更多物体信息，并在 3D 模型中显示物体特性，如反射率，色差和并不相同的明暗对比度等。该技术已在许多领域发现了应用，例如智能农业，环境监测和数字文化遗产记录。

    Feb, 2023

  • NTIRE 2020 挑战赛：从 RGB 图像中重建光谱

    本文回顾了 RGB 图像中光谱重建的第二个挑战，并评估了其现状，其中提供了一个大型自然高光谱图像数据集，并提供了一些最佳的重建方法来获取整个场景的高光谱信息。

    May, 2020