测试时训练用于高光谱图像超分辨率
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
本研究提出了一种新的高光谱图像超分辨率算法，称为基于混合卷积的双域网络（SRDNet），同时在空间与频率领域设计了双域网络，利用自我注意力机制和频率损失进行优化，并使用2D和3D单元的混合模块渐进式放大策略，实现了高光谱图像的纹理和特征增强，比现有方法效果更好。
Apr, 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
提出了一种新的Group-Autoencoder (GAE)框架，并与扩散模型结合，构建了一个高效的高光谱图像超分辨率模型(DMGASR)。实验证明，该方法在视觉上和指标上优于其他最先进的方法。
Feb, 2024
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
本研究提出了一种名为UnmixingSR的组件感知高光谱图像超分辨网络，利用无监督学习来感知高光谱图像的材料成分，并通过探索低分辨率和高分辨率丰度之间的约束来提高方法在解决超分辨问题时的稳定性。实验证明，将无监督感知过程作为辅助任务嵌入超分辨问题是可行和有效的。
Jul, 2024
本研究解决了高光谱成像（HSI）领域缺乏全面且具有全球代表性的高光谱数据集的问题。我们提出了SpectralEarth，一个大型多时相数据集，旨在通过自监督学习算法预训练高光谱基础模型，显著提高了不同任务和传感器中的模型通用性和计算效率。该数据集、模型和源代码将公开发布，推动高光谱成像的进一步研究与应用。
Aug, 2024
本研究针对单一高光谱图像超分辨率（single-HSI-SR）中数据稀缺的问题，提出了一种新的框架EigenSR，通过将预训练的RGB模型与特征图像相结合，能够有效提高高光谱图像的分辨率。研究表明，该方法在空间和光谱度量上均显著优于现有的最先进技术，展现了在高光谱数据处理中的广泛应用潜力。
Sep, 2024