- 高效主动照明相机用于高光谱重建
我们介绍了一种经济、紧凑且易于使用的主动照明相机,可在许多应用中受益,通过测试植物根部成像表明了相机获得了比传统 RGB 相机更多的信息能力,并且可以从多光谱输入重构高光谱数据,与原始高光谱相机数据兼容。
- GMSR:基于梯度引导的 RGB 图像谱重建方法
我们提出了一种名为 GMSR-Net 的轻量级模型,它通过全局接受域和线性计算复杂性特点,使用了多个堆叠的梯度 Mamba 块进行光谱重建,同时在空间和光谱提示上引入了新颖的梯度关注机制。与现有方法相比,GMSR-Net 大幅减少了参数和计 - 基于数据驱动的光谱重建的局限性 -- 一种光学感知分析
通过对 RGB 图像进行数据驱动的光谱重建方法的分析,我们发现当前模型在噪声、压缩和变色上存在限制,然而,通过异色数据增强和光学镜头像差可以提高 RGB 图像对色差信息的编码,从而带来更高性能的光谱成像和重建方法。
- 高效准确的高光谱图像解模糊神经网络架构
神经网络架构在高光谱图像去马赛克中具有有效性,实验结果表明我们的网络模型在数据集上优于已有模型,并强调正确的光谱重建是实际应用中的关键。
- Spec-NeRF: 多光谱神经辐射场
我们提出了一种名为 Multi-spectral Neural Radiance Fields(Spec-NeRF)的方法,可以通过一组经不同滤波器滤波的彩色图像,联合重建多光谱辐射场和相机的光谱灵敏度函数(SSFs)。通过将估计得到的 S - MST++:多阶段谱转换器用于高效谱重建
通过使用基于 Transformer 的多阶段光谱智能变换器(MST++)及其包含的光谱注意块,该论文提出了一种新方法实现了显着优于其他最先进方法的重建结果,尤其适用于光谱重建挑战。
- ECCV通过隐式神经表示从 RGB 图像实现连续光谱重建
本文介绍了 Neural Spectral Reconstruction (NeSR) 方法来提高光谱重建的连续性。通过引入一种新的连续光谱表示,我们利用神经网络实现了参数化拟合。经过实验验证,NeSR 方法在重建准确性方面表现出明显优势, - 基于相机光谱灵敏度先验的自适应加权注意力网络用于从 RGB 图像重建光谱
我们提出了一种自适应加权关注网络(AWAN)用于光谱重建,其主干由多个双残差注意力块(DRAB)堆叠装饰而成,具有长短跳连接以形成双残差学习。同时,我们进一步发现,RGB 图像和高光谱图像之间的不同之处是重建过程中更精细的约束条件,该方法在 - CVPR基于层次回归网络的 RGB 图像光谱重建
本研究提出了一种基于四级分级回归网络和 PixelShuffle 层的高光谱图像重建方法,采用残差密集块来消除实际 RGB 图像的伪影,并采用残差全局块来建立注意机制扩大感知范围,通过 NTIRE 2020 Challenge 比较各种架构 - NTIRE 2020 挑战赛:从 RGB 图像中重建光谱
本文回顾了 RGB 图像中光谱重建的第二个挑战,并评估了其现状,其中提供了一个大型自然高光谱图像数据集,并提供了一些最佳的重建方法来获取整个场景的高光谱信息。
- 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。
- 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。
- 从 RGB 图像中重建光谱的高效卷积神经网络
本研究提出了一个中等深度的卷积神经网络模型,实验结果在 ICVL、CAVE、NUS 三个光谱重建标准基准上表现出了明显的改进,表明该模型在光谱超分辨率方面有广泛应用前景。