通过扩散模型和组自编码超分辨率网络增强高光谱图像
提出了一个使用条件扩散模型的高光谱影像超分辨率方法,该方法融合了高分辨率多光谱图像(MSI)和相对应的低分辨率超光谱影像(LR-HSI),通过经过多次优化的迭代过程生成超分辨率图像。实验表明,该方法在超分辨率领域的表现优于目前的状态 - of-the-art 方法。
Jun, 2023
提出了一种名为 DiffSpectralNet 的新型网络,通过结合扩散和变换器技术,利用无监督学习和预训练去噪 U-Net 提取高层和低层光谱空间特征,并使用监督变换器分类器进行高光谱图像分类,实现了超越现有方法的创新,达到了最先进的性能。
Oct, 2023
融合基于高光谱图像(HSI)的超分辨率通过融合低空间分辨率的 HSI 和高空间分辨率的多光谱图像来产生高空间分辨率的 HSI。本文提出了一种新颖的基于光谱扩散的先验方法来实现 HSI 超分辨率。在最大后验概率的框架下,通过反向生成过程保留每两个相邻状态之间的转移信息,并将训练好的光谱扩散模型的知识嵌入到融合问题中作为正则化项。最后,将最终优化问题的每个生成步骤视为其子问题,并使用 Adam 算法以反向顺序解决这些子问题。在合成和真实数据集上进行的实验结果证明了所提方法的有效性。所提方法的代码将在此 https 网址上提供。
Nov, 2023
本文提出了一种基于扩散模型的非监督超光谱图像 (HSI) 特征学习框架 Diff-HSI,其可以利用时间步长性质捕捉更丰富的特征,设计了一个时间步骤的特征库和动态特征融合模块,最后实现了 HSI 分类。在三个公共 HSI 数据集上进行的广泛实验证明,Diff-HSI 优于各种现有的监督和非监督 HSI 分类方法。
Jun, 2023
本文提出了一种基于预训练扩散模型的无监督高光谱图像恢复框架(HIR-Diff),通过两个低秩分量(即降维图像和系数矩阵)的乘积来还原清晰的高光谱图像。实验证明,该方法在高光谱图像恢复任务中具有卓越的性能和速度优势。
Feb, 2024
提出了一种基于光谱 - 空间扩散模型的高光谱图像分类方法,该方法可以实现对训练样本的光谱和空间分布的前向和反向扩散过程,从而对样本之间的全局空间 - 光谱关系进行建模,提取的特征可以从重建的训练样本分布中获得更好的分类性能。
Apr, 2023
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
提出了一种名为 DiffMSR 的高效扩散模型,用于多对比度磁共振成像的超分辨率重建,通过在高度紧凑的低维潜空间中应用扩散模型生成高频详细信息的先验知识,并设计了 PLWformer 作为解码器,使重建的 MR 图像保持无失真。在公共和临床数据集上的大量实验表明,DiffMSR 优于现有方法。
Apr, 2024