电气工程与系统科学 > 图像与视频处理
[提交于 2025年7月17日
]
标题: 光谱提升:用于自监督高光谱图像超分辨率的物理引导光谱反演网络
标题: SpectraLift: Physics-Guided Spectral-Inversion Network for Self-Supervised Hyperspectral Image Super-Resolution
摘要: 高空间分辨率的高光谱图像(HSI)在遥感和医学成像等应用中至关重要,但HSI传感器本质上会牺牲空间细节以换取光谱丰富性。 将高空间分辨率的多光谱图像(HR-MSI)与低空间分辨率的高光谱图像(LR-HSI)融合,是一种有前景的方法,可以在不牺牲光谱保真度的情况下恢复精细的空间结构。 大多数最先进的HSI-MSI融合方法需要点扩散函数(PSF)校准或真实世界中的高分辨率HSI(HR-HSI),而这两者在实际环境中都难以获得。 我们提出了SpectraLift,这是一个完全自监督的框架,仅使用MSI的光谱响应函数(SRF)来融合LR-HSI和HR-MSI输入。 SpectraLift通过($i$)~一个通过将SRF应用于LR-HSI得到的合成低空间分辨率多光谱图像(LR-MSI)作为输入,($ii$)~LR-HSI作为输出,以及($iii$)~估计值与真实LR-HSI之间的$\ell_1$光谱重建损失作为优化目标,训练一个轻量级的逐像素多层感知机(MLP)网络。 在推理时,SpectraLift使用训练好的网络将HR-MSI逐像素映射为HR-HSI估计值。 SpectraLift在几分钟内收敛,对空间模糊和分辨率无关,且在PSNR、SAM、SSIM和RMSE基准测试中优于最先进的方法。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.