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

该论文介绍了一个用于高光谱图像去噪的空间 - 光谱循环变换 U-Net (SSRT-UNet)。该方法利用全局光谱相关性和非局部空间自相似性的领域知识，通过整合这两种知识成分，并在一个 SSRT 块中对其进行处理，实现了 NSS 和 GSC 的联合利用，从而在高光谱图像去噪方面取得了优于其他方法的效果。

Dec, 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

提出了一种混合卷积和注意力网络（HCANet），通过同时建模全局和局部特征，利用卷积神经网络（CNN）和 Transformer 的优势，设计了卷积和注意力融合模块来捕捉长距离依赖和邻域光谱相关性，以及设计了多尺度前向网络来提取不同尺度的特征，从而提高多尺度信息聚合的性能，实验结果表明了 HCANet 模型的合理性和有效性。

Mar, 2024

本文提出了一种谱增强矩形 Transformer 用于处理高光谱图像去噪问题，该方法利用矩形 self-attention 捕捉空间域中的非局部相似性和全局光谱低秩特性，设计了谱增强模块来提取空间光谱立方体的全局低秩特性以抑制噪声，实验结果表明该方法在客观指标和主观视觉质量上都具有有效性。

Apr, 2023

本文提出了一种基于 Transformer 的深入展开高光谱图像去噪方法 —— 降噪 - 噪声感知展开网络 (DNA-Net), 其使用 U-Shaped Local-Non-local-Spectral Transformer (U-LNSA) 捕获了光谱相关性、局部内容和非局部依赖性。实验结果表明，DNA-Net 优于目前最先进的方法，并且噪声分布的建模对于噪声严重的情况有所帮助。

May, 2023

本文提出了一种基于流的高光谱图像去噪网络（HIDFlowNet），用于直接学习给定噪声高光谱图像的清洁图像的条件分布，从而可以从条件分布中采样出不同的清洁图像。实验结果表明，与其他现有方法相比，我们的方法在模拟和真实高光谱图像数据集上具有更好的去噪效果。

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

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