Dec, 2023

高效准确的高光谱图像解模糊神经网络架构

PDF
TL;DR神经网络架构在高光谱图像去马赛克中具有有效性，实验结果表明我们的网络模型在数据集上优于已有模型，并强调正确的光谱重建是实际应用中的关键。
neural network architecturesimage demosaicinghyperspectral imagenetwork modelsspectral reconstruction
发现论文，激发创造
  • 学习深度卷积网络进行去马赛克

    本文提出了利用卷积神经网络（CNN）解决去马赛克问题的全面研究，包括实验表明 CNN 模型在 sRGB 和线性空间中同等有效，可用于任何 CFA 设计的去马赛克，并展示了自动发现的 CFA 模式和自动设计的去马赛克方法结合能够提高去马赛克结果的视觉效果。

    Feb, 2018

  • 轻量级光谱注意力网络的无监督光谱去马赛克

    本文提出了一种基于深度学习的无监督谱色去马赛克技术，该技术通过使用谱分系统的性质，提出了一个马赛克损失函数，配以相应的模型结构、变换策略和早期停止策略，形成一个完整的无监督谱色去马赛克框架，并在合成和实际数据集上展示了其优越性。另外，作者还发布了一个用于基准测试的真实 25 波段高光谱马赛克图像数据集 Mosaic25。

    Jul, 2023

  • 使用 3-D 卷积神经网络进行多光谱和高光谱图像融合

    本文提出使用三维卷积神经网络（3-D-CNN）的方法来融合多光谱（MS）和高光谱（HS）图像，以获得高分辨率的高光谱图像。在融合之前进行高光谱图像的降维以显著减少计算时间，并使方法对噪声更具鲁棒性。实验结果表明，与传统方法相比，所提出的方法在高光谱图像受加性噪声干扰时尤其表现出色。

    Jun, 2017

  • 高光谱图像获取的广义修补方法

    文中介绍了一种利用单体集成光谱滤光片的高光谱成像设备，提出了一种基于压缩感知和分析稀疏模型的超分辨率处理和去马赛克的方法，并通过数值实验验证其效率。

    Feb, 2015

  • 基于自调节卷积神经网络的高光谱图像去噪

    提出了一种自调制卷积神经网络（SM-CNN）用于高光谱图像去噪，通过利用相关的光谱和空间信息，该网络能够根据相邻的光谱数据自适应地转换特征，提高处理复杂噪声的能力，实验证明在合成和真实数据上，SM-CNN 在公共基准数据集上在定量和定性上均优于其他最先进的高光谱图像去噪方法。

    Sep, 2023

  • 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

  • 采用空间 - 光谱深度残差卷积神经网络的高光谱图像去噪

    本文提出了一种基于深度学习的方法，通过使用混合空间谱卷积神经网络（HSID-CNN）学习噪声和清晰 HSI 之间的非线性端到端映射来对 HSI 图像进行去噪处理，并通过多尺度特征提取和多级特征表达来捕捉多尺度空间 - 频谱特征并融合不同级别的特征表示来进行最终还原，实验结果表明，该方法在定量评估指标、视觉效果和 HSI 分类准确率方面均优于许多主流方法。

    Jun, 2018

  • 光谱空间混合神经网络用于高光谱图像降噪

    提出了一种混合的空间 - 光谱去噪网络 (HSSD)，该网络通过设计一个新颖的 CNN 和 Transformer 特性的混合双路径网络，以高效地捕获本地和非本地空间细节，同时抑制噪声，从而解决了现有 Transformer-based 方法主要关注非本地建模并忽视图像去噪中局部性的问题，并采用简单但有效的分离策略降低了计算复杂性，通过使用参数较少的多层感知机学习光谱之间的全局相关性。综合和实际实验表明，我们提出的方法在空间和光谱重建方面优于最先进的方法。

    Jun, 2024

  • 多尺度自适应融合网络用于高光谱图像去噪

    本文提出了一种名为 MAFNet 的多尺度自适应融合网络用于去噪高光谱图像，该网络由逐步扩展的多尺度信息聚合网络和协同注意力融合模块组成，可以有效保留丰富的光谱结构并取得比其他技术更好的去噪性能，论文代码可供参考。

    Apr, 2023

  • 基于深度学习的农产品高光谱图像重建质量评估

    通过深度学习从 RGB 图像重建高光谱图像，可用于预测甘薯中的可溶性固形物含量，结果表明基于重建光谱的部分最小二乘回归模型优于使用全光谱范围的模型，突显了基于深度学习的高光谱图像重建作为一种低成本、高效的农业应用工具的潜力。

    May, 2024