Happy_Bug__的博客

DMSN: A Deep Multistream Network for Hyperspectral Image Super-Resolution10.1109/LGRS.2025.3530106

Enhanced Deep Image Prior for Unsupervised Hyperspectral Image Super-ResoIEEE Transactions on Geoscience and Remote Sensing10.1109/TGRS.2025.3531646

因此，提出了廉价的卷积，利用有限数量的卷积的线性变换来生成丰富的特征图。其次，较小的卷积核可以通过多层叠加获得较大的感受野，同时需要较少的参数和较低的计算占用。由于轻量级网络的深度和参数均小于常规光谱SR网络，可能直接导致网络的特征提取能力不足，重建图像的纹理细节较差，甚至出现不同程度的光谱失真。4）在三个基准数据集（即CAVE、ICVL和NTIRE2022数据集）上进行了大量的实验，以证明我们提出的MRFN方法的有效性，该方法以较低的计算占用实现了有竞争力的SR能力。，以强调谱重建感兴趣的特征。

Dual Circle Contrastive Learning-Based Blind Image Super-Resolution

通过方程（3）中的退化函数SRF对目标图像的光谱域进行降采样，以获得重建的HR MSI。表四显示了消融实验的详细结果。在 Indian Pines、Salinas、Pavia University 等数据集上，SCFN 的 PSNR、SSIM、SAM 等指标均优于现有方法（如 SFIM、CNMF、uSDN），尤其在光谱保真度（SAM 值降低 30%-50%）和空间细节（SSIM 接近 0.99）上表现突出，证明了 DSCM 和 GAB 模块的有效性（见表 I-III 及 ablation 实验）。

所提出模型的两个基本和令人兴奋的超参数是τ1和τ2，它们由表示退化算子知识水平的指示变量组成，即如果τ1=0，损失函数将丢弃包含描述HS图像Dh的退化算子的项。然后，应用仿射组合来获得融合的光谱图像。更确切地说，为了获得所需图像的估计，DIP方法拟合了卷积生成器网络的参数，最小化了考虑图像观察模型和可用退化图像的损失函数。，这就导致在现实应用场景中，DIP 方法的适用性和效果会大打折扣，因此需要一种既能利用 DIP 模型的出色性能，又能借助卷积网络能力来描述图像下采样算子的光谱图像融合框架。

ARConv 可以自动根据卷积核的形状以及不同区域的特征，动态调整采样点的数量，使不同区域能够拥有合适数量的采样点，从而更高效地捕捉多尺度信息，提升特征提取的准确性和效率。（2） 选择卷积核采样点的数量。ARConv 通过自适应调整卷积操作，能够更好地处理不同分辨率的遥感图像（如低分辨率多光谱图像和高分辨率全色图像），在特征提取过程中充分考虑多尺度信息，有助于更有效地融合光谱和空间信息，生成高质量的高分辨率多光谱图像，为后续的遥感图像分析和应用（如土地利用分类、环境监测等）提供更优质的数据基础。

高分辨率高光谱图像（HR-HSI）在遥感应用中起着至关重要的作用。单HSI超分辨率（SR）方法旨在从其低分辨率（LR）对应物中获得空间域中的HR HSI。尽管已经进行了广泛的研究，但现有HSI SR方法的性能仍然有限，因为HSI数据结构本身无法为重建提供足够的空间信息，特别是在SR因子较大的情况下。在这项研究中，我们将单个HSI SR视为一项将LR HSI与其光谱响应RGB图像融合的任务，从中可以引入流行的超高分辨率RGB图像，即使在SR因子较大的情况下，也能为HSI SR提供足够和高质量的空间先验信息。

基于深度学习的图像超分辨率（SR）方法因其出色的性能而引起了越来越多的关注。然而，这些方法大多假设低分辨率（LR）观测值的退化是固定的和已知的（例如，双三次下采样）。然而，在实际情况下并不总是如此。此外，LR图像的固有退化与假设的退化之间的不匹配通常会导致伪影。因此，必须超越理想化的假设，使SR模型适应各种退化。为了实现这一目标，我们提出了一种基于对比学习的隐式退化建模（IDMBSR）的盲图像超分辨率方法。

这篇文章的研究背景是针对问题。高光谱图像在光谱分辨率上具有优势，但空间分辨率较低，而全色图像空间分辨率较高但缺乏光谱信息。因此，通过融合这两种图像，可以提高高光谱图像的空间分辨率，从而更好地支持遥感应用[1]。这篇文章提出了一种用于高光谱图像（HS）和全色图像（PAN）的时空光谱融合方法，称为残差超密集网络（RHDN）。A.建议的RHDB结构一般来说，网络越深，泛域性能越好。然而，大多数基于CNN的深层架构都会导致梯度消失问题。

首先，它缓解了在面对高光谱维度HSI数据时与扩散模型的训练和收敛相关的挑战，“一对多”降维有效地减少了编码过程中的信息损失，从而丰富了特征信息（见表3）。其次，由于自动编码器的协作工作，我们的模型有效地将推理过程缩小到几个关键的中间隐藏变量，从而大大缩短了推理时间（见表5，图9），使我们的方法在HSI SR任务的实际应用中更高效、更可扩展。我们提出了一种新的基于扩散的SR模型，该模型有助于隐式捕获高水平和低水平特征，并提高了复杂光谱空间关系的学习能力。设计了一个较大的解码器模型，以更好地捕获特征。

基于Transformer的图像超分辨率融合算法具有全局和大范围的融合能力，在图像超分辨率处理中表现出了良好的性能。然而，现有的Transformer算法在大面积对地观测场景中的应用存在两个关键问题：（1）由于存在大量不相关特征点，导致特征点表示存在冗余;（2）单一尺度表示忽略了相似观测目标的尺度相关建模。为此，文中提出了一种自适应地消除不相关标记的干扰，使自注意计算更加紧凑的方法.具体地说，我们设计了一个剩余标记选择组（RTSG），通过动态地选择前k个关键字来获取最关键的标记。

文献阅读笔记

3）阶段交互忽略了不同阶段特征的差异。第一个问题是【fixed gradient descent step in the data module while the degradation of HSI is agnostic in the pixel-level.】，这句话的字面意思是，在优化数据项时使用的是固定步长的梯度下降，然而退化的高光谱图像在像素级上是未知的，这是说高光谱图像不同位置的像素可能有着不同的压缩率。在图像处理中，低频信息通常指的是慢变化的图像部分，包括图像中的平滑区域和较大的结构。

此外，为了有效地优化我们提出的XINet，提出了一种联合自我监督损失，使得在没有外部三元组监督的情况下能够以无监督的方式进行。在架构内部，它进一步分为三个组件，其中 IFEM 在头部，DFIM 在主体，AGM 在尾部，这不仅可以实现两个独立模态之间充分的信息传播，还可以产生强大的多尺度特征表示 和多深度。：考虑到HSI-MSI对应关系中存在的差异，设计了两个面向模态的模块来保证初始提取特征的充分性，一个名为MIFEM的模块提取HrMSI的空间细节，另一个名为HIFEM的模块利用光谱信息 LrHSI。

在连续迭代中，M-GSCS联合优化HSI SR和分类任务，以实现两者之间的相互指导，逐步提高图像的重建质量，提高类标签的准确性。具体而言，在时间步长T中，M-GSCS对在先前时间步长中获得的多尺度图像进行细化，并使用预测的高空间分辨率图像进行分类。在C-GSR的指导下，多尺度分类结果Y迫使目标尺度图像Xn t-1学习新知识，以进行下一步的图像细化。它可以为目标尺度图像XN T-1的高空间细节恢复提供一个可指导的方向，从而迫使目标尺度图像XN T-1在类引导的超分辨率动态细化策略下学习新的知识进行细化。

然而，目前的大多数方法在定制的卷积神经网络(CNN)中只考虑一般的和有限的先验，导致无法保证重建光谱的置信度和保真度。此外，我们还开发了基于变换的通道关系模块(TCRM)，它打破了以往深度特征先验中使用标量作为通道关系描述符的习惯，而是用一定的矢量来代替它们，使映射函数更加健壮和平滑。SSRM的示意图如图4所示。形式上，我们将 FS 播种到两个 1 × 1 卷积层 ψ(·) 和 ψ(·) 中，分别生成两个新特征 D 和 E, 然后，嵌入SRGB作为索引，沿H×W方向′展开并排序特征{D，E}--D′，E。

在本文中，我们提出了一种用于泛锐化的零镜头半监督方法（Zero-Shot Semi-Supervised Method for Pansharpening，简称Zero-Pan），该方法只需要一对PAN/LRMS图像来训练和测试网络，结合了监督和非监督方法的优点。传统的全色锐化方法使用单对LRMS和PAN以全分辨率生成HRMS，但是由于融合产物之间的线性关系（通常不准确）的假设，它们无法生成高质量的融合产物。在这一部分中，我们将首先介绍现有的监督和非监督的全锐化学习策略，以及其他计算机视觉领域的零次学习。