Mar, 2024

HiRA-Pro: 高分辨率多模式时空数据对齐：基于过程物理学的方法

PDF
TL;DRHiRA-Pro 是一种用于在智能制造中对来自不同信号的多模态数据进行高精度匹配的方法，通过识别和同步这些信号中显著的运动学和动力学事件来实现。它通过对齐数据，生成与物理体素对应的数据块，从而改善机器学习预测性能，提高分类准确率约 35%。
hira-promultimodal signalsdata alignmentsmart manufacturingtemporal-spatial resolutions
发现论文，激发创造
  • 农业与生物应用中基于深度学习的高光谱图像重建的比较分析

    利用深度学习进行高光谱图像重建，以实现农产品质量评估的成本效益和高效工具。

    May, 2024

  • 时空分层强化学习用于可解释的病理图像超分辨率

    提出了一种层次强化学习框架，用于解决病理图像超分辨率问题中的问题，通过分级恢复机制和时空管理器实现对病理图像的逐块恢复，并在肿瘤诊断方面取得显著提升。

    Jun, 2024

  • 超出光流的多图像超分辨率的深度 3D 世界模型

    多图像超分辨率 (MISR) 方法以子像素偏移的形式结合多张图像中的互补信息来提高低分辨率 (LR) 图像的空间分辨率，在准确注册和融合多图像信息方面存在困难。本研究提出的 EpiMISR 模型通过使用采集过程的极线几何以及基于 Transformer 的辐射特征场进行处理，在存在大的 LR 图像视差的情况下明显改进了目前最先进的 MISR 方法。

    Jan, 2024

  • ADASR：一种针对高光谱和多光谱数据融合的对抗自动增强框架

    基于深度学习的高光谱图像超分辨率技术通过深度神经网络融合高光谱图像和多光谱图像，实现了在真实世界场景中的应用，并且提出了一种新的对抗自动数据增强框架 ADASR，它通过对样本对进行优化和增强来丰富数据多样性，有效提高了训练效果。

    Oct, 2023

  • 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

  • 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

  • 基于低秩表示的 THz 时域图像超分辨率

    该研究论文提出了一种超分辨率方法，用于恢复采用中大步长获取的太赫兹时域图像，结果表明在不同频段（从 0.5 到 3.5 THz）获得更高分辨率，同时消除了较低频率下的模糊效应和较高频率下的噪音。

    Dec, 2023

  • 多光谱磁共振波谱成像中基于压缩感知的物质动态时空重建

    通过压缩感知（CS）和基于物质基本光谱的部分可分模型，我们提出了一种新方法来从随机欠采样的多光谱磁共振波谱成像（MRSI）数据中重建物质的时空分布。我们利用空时稀疏性和时间平滑性作为先验知识执行 CS，实验结果表明我们的方法能够以极短的时间分辨率重建物质的时空分布，预期对揭示磁共振波谱成像数据中的物质动力学起到重要作用。

    Mar, 2024

  • 交叉传感器不规则采样 Sentinel-2 时间序列的超分辨率

    通过使用多张卫星图像，本研究提出了一种针对 Sentinel-2 时间序列的多图像超分辨率重建算法，并展示了多图像对超分辨率性能的显著改善，同时探讨了光谱保真度和感知质量之间的权衡关系。

    Apr, 2024

  • MS/HS 融合网络用于多光谱和高光谱影像融合

    本文提出了一种基于模型的深度学习方法，用于合并高分辨率多光谱和低分辨率高光谱图像以生成高分辨率高光谱图像，实验结果证实该方法在视觉和定量上均优于同类方法。

    Jan, 2019