高光谱图像融合超分辨率、全色锐化PyTorch工具箱--HIFToolBox

高光谱融合工具箱（HIFToolBox） 旨在收录高光谱和多光谱/全色锐化领域的SOTA算法。收录算法主要分三类：基于模型的算法、自/无监督学习算法,以及监督学习算法。

获取地址 ：主页
预训练权重 ：HIFTool目前发布了在QB数据集上，所有收录的监督网络的预训练权重。

遥感数据集训练：Network_training_RS.py

1. 在配置好PyTorch的环境中打开 Network_training_RS.py.
2. 选择算法类型 > 0:包括模型(Model)，1:无监督(unsupervised), 2:监督(supervised)。如下图所示，case_lst[0]中的0即表示基于模型的方法。

    case_lst = ['model','unsupervised','supervised']
    case = case_lst[0]
    Fusion  = ModeSelection(case)

3. 选择方法 > 目前HIFToolBox收录了 MoGDCN, Fusformer, PSRT, MSST, DCTransformer, iDaFormer, HySure, HyMS, DBSR, UDALN,uHNTC 。如下图所示，Method = 'HyMS’即表示使用HyMS方法。

    Method = 'HyMS'
    model, opt = model_generator(Method,'cuda')

4. 选择数据集 > 目前数据集支持 Chikusei，Pavia，XiongAn，WDCM，QB。对应的数据集可以在*./Multispectral Image Dataset/* 中的解释文档中的链接中下载，放入相应数据集即可。如下图所示， dataset_name = 'chikusei’即表示使用使用Chikusei数据集训练。

    dataset_name = 'chikusei'
    model_folder = Method + '/' + dataset_name + '/'

5. 训练

> 监督训练：如下图所示，监督训练在此处设置 批量大小（Batch_size），最大迭代步数（ end_epoch），权重保存间隔步数（ckpt_step），以及学习率（ lr ）。

  # Training Setting
     Batch_size = 2
     end_epoch = 2000
     ckpt_step = 50
     lr = 1e-4

> 模型优化：
如下图所示，基于模型的方法需要传入相机的光谱响应函数(srf)，以及点扩散函数（psf）。如果未有该类函数则输入None。

   srf = sio.loadmat('Dataloader_tool/srflib/chikusei_128_4.mat')['R']
   psf = None

6. 测试
   打开 Network_eval.py进行监督网络的测试。

可见光数据集训练：Network_training_VL.py

1. 在配置好PyTorch的环境中打开 Network_training_VL.py.

2. 按照下述参数表进行设置.

参数	类型 / 默认值	含义	备注/使用建议
--method	str，默认 PSRT	模型方法名，传入 model_generator	例如 PSRT、你的自定义方法名
--dataset	str，默认 CAVE（可选：CAVE,HARVARD）	数据集名称	会用于数据加载与输出目录，如 PSRT/CAVE/
--batch_size	int，默认 16	训练批大小（每步样本数）	显存不足时减小
--epochs	int，默认 2000	训练总轮数（终止 epoch）	训练循环上限
--ckpt_step	int，默认 50	每隔多少个 epoch 进行一次验证并保存权重	值越小，验证/保存越频繁
--lr	float，默认 1e-4	初始学习率	优化器为 Adam
--patch_size	int，默认 128	裁块尺寸，传给 Large_dataset	影响显存与收敛稳定性
--resume	flag，默认 False	是否从断点恢复训练	开启后会加载 start_epoch.pth
--start_epoch	int，默认 0	恢复/测试的 epoch 号	搭配 --resume：读取 {method}/{dataset}/{start_epoch}.pth；搭配 --specific：指定要评测的权重号
--general	flag，默认 True	执行通用训练流程	你的代码里默认就是开启状态
--specific	flag，默认 False	执行特定图像精调/评测流程	通常在训练完成后再开；若单独使用，建议配合 --start_epoch 指定已有权重
--meta	flag，默认 False	执行 meta_train 流程（你自定义的元训练入口）	仅在 --general 时生效，使用 test split