深度展开网络用于自动曝光修正的高光谱图像超分辨率
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
本文提出了一种基于循环一致性的无监督高光谱图像和多光谱图像融合模型,通过学习低分辨率高光谱图像与高分辨率多光谱图像之间的域转换,实现了高分辨率高光谱图像的生成,并且在多个数据集上的实验证明该模型优于其他无监督融合方法。
Jul, 2023
本文探讨了如何利用一种基于深度神经网络的轻量级框架和频谱空间可分离卷积技术解决高光谱低分辨率图像与多光谱高分辨率图像相结合的问题,并在真实和人工数据集上进行了实验,取得了显著优于现有方法的结果。
Jun, 2020
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
通过融合低分辨率高光谱图像(LR-HSI)与高分辨率多光谱图像(HR-MSI),提出了一种连续低秩分解(CLoRF)方法,通过将两种神经表示集成到矩阵分解中,分别捕捉空间和光谱信息,实现了低秩和连续性的自监督学习,在实验中显著超过现有技术,并实现了用户期望的分辨率提升,无需神经网络重新训练。
May, 2024
本研究提出了一种带有跨注意机制的耦合解混合网络 (CUCaNet),用于通过更高空间分辨率的多光谱图像 (MSI) 增强高光谱图像 (HSI) 的空间分辨率,并在三个广泛使用的 HS-MS 数据集上进行了广泛的实验来证明其优越性。
Jul, 2020
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
通过引入 SCC 作为注意力矩阵并利用 ESSA 技术,提出了 ESSAformer 网络用于超分辨率任务,提升了高光谱图像的视觉质量和定量结果。
Jul, 2023