使用卷积神经网络(CNN)的最佳实践完成从RGB图像到对应大小的高光谱图像的直接映射，实现了超分辨率的高光谱成像，优于现有技术水平。

Mar, 2017

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

本文提出一种基于深度卷积神经网络的单高光谱图像超分辨率重建方法，引入了空间-光谱先验网络(SSPN)来充分利用高光谱数据的空间信息和光谱相关性，通过组卷积和逐步上采样框架来提高稳定性和效率，并设计了空间-光谱块(SSB)来提取更丰富的特征信息，实验结果表明，所提出的SSPSR方法可以增强恢复的高分辨率高光谱图像的细节，且优于现有方法。

May, 2020

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

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

融合基于高光谱图像（HSI）的超分辨率通过融合低空间分辨率的HSI和高空间分辨率的多光谱图像来产生高空间分辨率的HSI。本文提出了一种新颖的基于光谱扩散的先验方法来实现HSI超分辨率。在最大后验概率的框架下，通过反向生成过程保留每两个相邻状态之间的转移信息，并将训练好的光谱扩散模型的知识嵌入到融合问题中作为正则化项。最后，将最终优化问题的每个生成步骤视为其子问题，并使用Adam算法以反向顺序解决这些子问题。在合成和真实数据集上进行的实验结果证明了所提方法的有效性。所提方法的代码将在此https网址上提供。

Nov, 2023

通过构建一种跨域空间-谱域的转换器来提高超光谱图像的空间分辨率，该转换器能够有效地捕捉远程相关性。

Nov, 2023

提出了一种新颖的全面关联变换器（Exhaustive Correlation Transformer，ECT）来进行光谱超分辨率，通过整合统一的空间-光谱关注力和相互线性依赖，建立了高光谱图像中的全面关联。实验结果表明，这种方法在模拟和真实数据上都达到了最先进的性能。

Dec, 2023

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

该研究解决了高光谱图像超分辨率（HSI SR）在准确建模光谱带交互和数据集稀缺性方面的问题。提出了一种新的测试时自训练框架，同时引入了新的网络架构和数据增强方法，从而提高模型性能。实验表明，该方法显著提升了预训练模型在高光谱图像超分辨率任务中的表现。

Sep, 2024