使用RGB卷积神经网络的多光谱纹理合成

Oct, 2024

使用RGB卷积神经网络的多光谱纹理合成

Multispectral Texture Synthesis using RGB Convolutional Neural Networks

Sélim Ollivier, Yann Gousseau, Sidonie Lefebvre

TL;DR该研究解决了将先进的RGB纹理合成方法扩展到多光谱图像的困难，因为现有模型只针对RGB图像进行训练。提出了两种无需重新训练神经网络的解决方案，分别通过训练随机光谱带三元组和将多光谱像素投影到三维空间来实现。实验表明这些方法能够达到良好的视觉质量，并接近RGB图像上的先进方法。

Abstract

State-of-the-art RGB Texture Synthesis algorithms rely on style distances that are computed through statistics of deep features. These deep features are extracted by classification neural networks that have been trained on large datasets of →

发现论文，激发创造

卷积神经网络和频谱约束下的纹理合成

本文使用卷积神经网络和傅里叶频谱以及统计特征约束来实现纹理合成，并实验表明与现有方法相比具有更好的性能。

May, 2016

使用随机卷积滤波器的浅层卷积神经网络纹理合成

研究表明，随机浅层卷积神经网络的特征空间可以作为自然纹理的模型，可以用于纹理合成算法，并且相较于深层CNNs模型，浅层CNNs模型具有相当的性能。

May, 2016

前馈网络实现的多样化纹理合成

本文提出了一种基于深度生成式前馈网络实现的纹理综合方法，具有在一个网络内高效综合不同纹理并进行有意义插值的能力，并通过多项实验证明了提出的模型和技术的有效性和应用前缀。

Mar, 2017

基于榜样的纹理合成调查

本文研究了纹理合成的两大方法，即基于统计学特征和重组补丁方法，并探索了混合方法以及卷积神经网络的应用，但在处理多尺度的真实纹理图像时面临挑战。

Jul, 2017

基于敌对网络的RGB空间上下文感知光谱图像重建

本文提出了一种基于生成对抗网络的图像到图像映射方法，用于超光谱自然图像重建，经过定量评估，相对均方根误差降低了54.0%。

Sep, 2017

使用多尺度卷积神经网络从单个RGB图像实现准确的光谱超分辨率

本文提出了一种基于深度卷积神经网络的多尺度图像转换方法，可以从RGB观测值中产生高分辨率的高光谱图像。在对中间特征图进行对称下采样和上采样的级联模式下，可以共同编码局部和非局部图像信息以获得更准确的光谱重建精度。

Jun, 2018

在野外从单个RGB图像中实现光谱估计

本文提出针对RGB图像的光谱重建问题一种基于深度学习和卷积网络的高效解决方案，使用参考光谱进行敏感度函数估计，并讨论普适性与特化模型的局限性，实验结果表明，从单张RGB图像准确进行光谱估计已经可以在一定程度上实现。

Dec, 2018

广义整流小波协方差模型用于纹理合成

该文提出了一种基于非线性小波表示的统计方法，其可以用作一层CNN的一种实例来提高图像纹理合成的视觉质量。该方法取代了以往经典的小波模型，并在灰度和彩色纹理上达到了与最先进模型相似的视觉效果。

Mar, 2022

RGB-多光谱匹配：数据集、学习方法、评估

本研究旨在解决颜色图像和多光谱图像之间分辨率差异大的问题，提出了一种深度学习架构，并利用自监督学习以及RGB-RGB匹配任务的知识来实现跨模态匹配。通过在室内环境下拍摄13个场景的图像对，并标注了34个具有高分辨率标签的图像对，通过实验证明该方法在使用深度学习进行该任务时性能表现良好。

Jun, 2022

利用采样和隐式神经表示的高光谱图像压缩

基于隐式神经表示的多层感知器网络在高光谱图像压缩中充当压缩编码器，通过对每个像素位置进行评估以重建原始图像，并通过采样方法来降低压缩时间，实验证明该方法在低比特率下比JPEG、JPEG2000和PCA-DCT实现更好的压缩性能，与学习方法如PCA+JPEG2000、FPCA+JPEG2000、3D DCT、3D DWT+SVR以及WSRC相比，采样方法也获得了更好的速度和性能。

Dec, 2023