通过从频谱中提取低频谱显著性和高频谱边缘两个不同的频率成分，利用频谱特征，我们引入一种新颖的轻量级 SMN 网络用于提取输入高光谱图像中的显著性和边缘信息，该方法在 HSOD 性能方面优于现有的先进方法。

Dec, 2023

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

本文提出了一种新型的基于深度学习的高光谱图像目标检测算法，该算法通过充分利用高光谱图像中的光谱和空间信息的相互作用，使得在现有数据集上可实现更准确和可靠的结果。

Jun, 2023

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

本文提出了一种新的动态扩张金字塔模块和混合增强损失函数，在 RGB-D 显著目标检测方面表现优于现有方法。

Jul, 2020

提出了一种具有光谱角度感知的空间 - 光谱融合神经网络（SST-Net），用于高光谱目标跟踪。

Mar, 2024

本文介绍了一种使用无监督编码器 - 解码器体系结构、通过稀疏狄利克雷分布来解决高光谱图像超分辨率问题的方法，并在实验中证明了其优越性能。

Apr, 2018

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

提出了一种基于 3D-Spectral-Spatial Mamba 框架的新方法，用于全局光谱 - 空间关系建模及高效的高光谱影像分类，实验结果表明该方法在 HSI 分类任务中优于现有方法。

May, 2024

本论文提出了一种基于空间 - 谱选择性状态空间模型的 U 型网络（称为 SSUMamba），用于高光谱图像去噪，能够在状态空间模型计算中实现完全的全局空间 - 谱相关性，通过引入交替扫描策略（SSAS）对多方向 3D 高光谱图像进行信息流建模。实验证明，我们的方法优于其他方法。

May, 2024