ADRN：基于注意力的深度残差网络高光谱图像去噪

防止深度图像先验在超光谱图像去噪中的过拟合

Preventing Overfitting in Deep Image Prior for Hyperspectral Image Denoising

Robotics Institute, Athena Research and Innovation Center（雅典娜研究与创新中心机器人研究所）；School of Electrical and Computer Engineering, National Technical University of Athens（雅典国家技术大学电气与计算机工程学院）

本文提出结合鲁棒数据保真与显式敏感性正则化的深度图像先验方法，有效防止超光谱图像去噪中的过拟合问题，提升去噪性能。

2026-04-09cs.CVeess.IV

混合卷积与注意力网络用于高光谱图像去噪

Hybrid Convolutional and Attention Network for Hyperspectral Image Denoising

School of Computer Science and Technology, Ocean University of China（中国海洋大学计算机科学与技术学院）；Department of Electrical and Computer Engineering, Mississippi State University（密西西比州立大学电气与计算机工程系）

提出混合卷积与注意力网络HCANet，结合CNN和Transformer优势，通过融合模块和多尺度前馈网络同时建模全局与局部特征，有效去除高光谱图像中的复杂噪声。

2024-03-15cs.CVeess.IV

基于低秩稀疏表示的高光谱图像去噪与异常检测

Hyperspectral Image Denoising and Anomaly Detection Based on Low-rank and Sparse Representations

Hong Kong Baptist University（香港浸会大学）；Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院空天信息创新研究院）；University of Chinese Academy of Sciences（中国科学院大学）；Shenzhen University（深圳大学）；Instituto de Telecomunicações（电信研究院）；Instituto Superior Técnico（里斯本高等技术学院）；Universidade de Lisboa（里斯本大学）

高光谱成像以非常高的分辨率在数百或数千个光谱通道中测量瞬时视场中的电磁能量的量。这使得物体能够被检测到并识别它们之间具有细微差异的材料。然而，光谱分辨率的提高通常意味着每个通道中接收到的光子数量减少，这意味着与成像过程相关的噪声更大。这种退化限制了提取信息的质量及其潜在应用。因此，去噪是高光谱图像处理中的一个基本问题。作为具有高度相关的光谱通道的自然场景的图像，HSI的特征在于高水平的自相似性，并且可以通过低秩表示来很好地近似。这些特征是HSI去噪中使用的最先进方法的基础。然而，在很少出现像素类型的情况下，这些方法的去噪性能不是最佳的，并且这些像素的后续检测可能会受到损害。为了解决这些障碍，在本文中，我们介绍了RhyDe（鲁棒高光谱降噪），一个强大的HSI降噪器，它实现了显式的低秩表示，促进自相似性，并通过使用一种形式的协作稀疏性，保留罕见的像素。使用半真实和真实数据说明了所提出的鲁棒HSI去噪器的去噪和检测有效性。

2021-03-12cs.CVeess.IV

SMDS-Net：模型引导的光谱-空间网络高光谱图像去噪

SMDS-Net: Model Guided Spectral-Spatial Network for Hyperspectral Image Denoising

Nanjing University of Science and Technology（南京理工大学）；University of Macau（澳门大学）；Griffith University（格里菲斯大学）；Zhejiang University（浙江大学）

基于深度学习（DL）的高光谱图像（HSI）去噪方法直接学习观察到的噪声图像和底层干净图像之间的非线性映射。他们通常不考虑HSI的物理特性，因此使它们缺乏可解释性，这是理解其去噪机制的关键。为了解决这个问题，我们引入了一种新的模型引导的可解释网络HSI去噪。具体而言，充分考虑HSI的空间冗余性、谱低秩性和谱空特性，首先建立了基于子空间的多维稀疏模型。该模型首先将观测到的HSI投影到一个低维正交子空间中，然后用多维字典表示投影图像。然后，将模型展开为一个端到端的网络SMDS-Net，其基本模块与模型的去噪过程和优化无缝连接。这使得SMDS-Net传达了清晰的物理含义，即，学习HSIs的低秩和稀疏性。最后，通过端到端训练获得包括字典和阈值参数在内的所有关键变量。大量的实验和综合分析证实了我们的方法对国家的最先进的HSI去噪方法的去噪能力和可解释性。

2021-11-15cs.CVeess.IV

通过自调制卷积神经网络进行高光谱图像去噪

Hyperspectral Image Denoising via Self-Modulating Convolutional Neural Networks

Hacettepe University（哈塞特佩大学）；Koç University（科奇大学）；National Institute of Advanced Industrial Science and Technology（日本产业技术综合研究所）

本文提出了一种自调制卷积神经网络SM-CNN，通过引入光谱自调制残差块（SSMRB）利用相邻光谱信息自适应转换特征，从而有效处理复杂噪声，在公共基准数据集上定量和定性结果均优于现有最先进方法。

2023-09-15cs.CVeess.IV

用于高光谱图像去噪的混合空间-光谱神经网络

Hybrid Spatial-spectral Neural Network for Hyperspectral Image Denoising

本文提出混合空间-光谱去噪网络HSSD，结合CNN与Transformer设计双路径结构以同时捕获局部与非局部空间细节，并通过解耦策略降低光谱学习计算复杂度，在合成与真实实验中均优于现有方法。

2024-08-02cs.CVeess.IV

基于多模态和频率加权张量核范数的高光谱图像去噪

Multi-modal and frequency-weighted tensor nuclear norm for hyperspectral image denoising

Northwest A&F University（西北农林科技大学）

低秩是高光谱图像去噪中的一个重要问题。基于张量奇异值分解定义的张量核范数（TNN）是一种描述HSI低秩性的最新方法。然而，TNN在处理去噪任务时忽略了HSI的一些物理意义，导致去噪性能不佳。在本文中，我们提出了多模态和频率加权张量核范数（MFWTNN）和非凸MFWTNN的HSI去噪任务。首先，我们研究了频率切片的物理意义，并重新考虑其权重，以提高TNN的低秩表示能力。其次，我们考虑了两个空间维度之间的相关性和HSI的光谱维度，并结合以上对TNN的改进，提出MFWTNN。第三，我们使用非凸函数来逼近频率张量的秩函数，并提出NonMFWTNN来更好地松弛MFWTNN。此外，我们自适应地选择较大的权重主要包含噪声信息的切片和较小的权重包含剖面信息的切片。最后，我们开发了高效的交替方向乘子法（ADMM）的算法来解决所提出的模型，我们的模型的有效性在模拟和真实的HSI数据集得到证实。

2022-06-20cs.CVeess.IV

用于高光谱图像去噪的多尺度自适应融合网络

Multi-scale Adaptive Fusion Network for Hyperspectral Image Denoising

Ocean University of China（中国海洋大学）；Mississippi State University（密西西比州立大学）

针对高光谱图像去噪中多尺度特征交互不足和光谱结构保持难题，提出 MAFNet，通过渐进式多尺度聚合与协同注意力融合实现优于现有方法的去噪效果。

2023-04-19cs.CVeess.IV

基于约束凸优化的同时引导图像去噪的高光谱图像融合

Robust Hyperspectral Image Fusion with Simultaneous Guide Image Denoising via Constrained Convex Optimization

Tokyo Institute of Technology（东京工业大学）

提出了一种基于凸优化的高空间分辨率高光谱图像估计方法。该方法假设一个低空间分辨率HS（LR-HS）的图像和指导图像的意见，其中两个意见被噪声污染。我们的方法同时估计HR-HS图像和无噪声的引导图像，因此该方法可以利用引导图像中的空间信息，即使它被严重的噪声污染。该方法采用混合空间-谱全变分作为正则化方法，通过评估HR-HS图像和引导图像之间的边缘相似性，有效地利用HR-HS图像的先验知识和引导图像的空间细节信息。为了有效地解决这个问题，我们应用原始-对偶分裂方法。实验证明了我们的方法的性能以及与现有方法相比的优势。

2022-11-25cs.CVeess.IV

全局空间-谱全变分正则化非凸局部低秩张量逼近的高光谱图像去噪

Hyperspectral Image Denoising via Global Spatial-Spectral Total Variation Regularized Nonconvex Local Low-Rank Tensor Approximation

Northwest A&F University（西北农林科技大学）

高光谱图像去噪的目的是从被噪声污染的图像中恢复出干净的高光谱图像。在数据采集和转换过程中经常会产生噪声污染。本文提出了一种新的空间谱全变分（SSTV）正则化非凸局部低秩（LR）张量近似方法来去除HSI中的混合噪声。从一个方面，干净的HSI数据具有其潜在的局部LR张量属性，即使真实的HSI数据可能由于离群值和非高斯噪声而不是全局低秩。根据这一事实，我们提出了一种新的张量$L_γ$ -范数来表示局部LR先验。从另一个方面来看，假设HSI在全局空间域和谱域中是分段平滑的。代替传统的波段全变分，我们使用SSTV正则化，同时考虑全球的空间结构和相邻波段的光谱相关性。模拟和真实HSI数据集上的结果表明，局部LR张量惩罚和全局SSTV的使用可以提高HSI中局部细节和整体结构信息的保留。

2020-05-30cs.CVeess.IV

秩增强低维卷积集在高光谱图像去噪中的应用

Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image Denoising

City University of Hong Kong（香港城市大学）；Caritas Institute of Higher Education（明爱专上学院）

针对高光谱图像去噪这一具有挑战性的问题进行了研究。与现有的基于深度学习的方法不同，这些方法通常采用复杂的网络架构或经验性地堆叠现成的模块来追求性能改进，我们专注于高效和有效的特征提取方式来捕获HS图像的高维特征。具体来说，基于增加由展开卷积核形成的矩阵的秩可以促进特征多样性的理论分析，我们提出了秩增强的低维卷积集（Re-ConvSet），它沿着HS图像的三个维度并排单独执行一维卷积，然后通过可学习的压缩层聚合得到的空间-频谱嵌入。Re-ConvSet不仅学习了HS图像的不同空间-光谱特征，而且降低了网络的参数和复杂度。然后，我们将Re-ConvSet到广泛使用的U-Net架构，构建HS图像去噪方法。令人惊讶的是，我们观察到这样一个简洁的框架在定量指标，视觉结果和效率方面在很大程度上优于最近的方法。我们相信我们的工作可以为基于深度学习的HS图像处理和分析提供帮助。

2022-07-09cs.CVeess.IV

Pan-denoising：通过加权表示系数全变分实现引导式高光谱图像去噪

Pan-denoising: Guided Hyperspectral Image Denoising via Weighted Represent Coefficient Total Variation

School of Mathematics and Statistics, Northwestern Polytechnical University（西北工业大学数学与统计学院）；Research and Development Institute of Northwestern Polytechnical University in Shenzhen（西北工业大学深圳研究院）

本文提出 pan-denoising 范式，利用低噪声 PAN 图像引导 HSI 去噪，并设计 PWRCTV 正则化与 ADMM 求解模型，实验证明其去噪及提升下游分类性能的优势。

2024-09-09cs.CVeess.IV

用于高光谱图像去噪的谱增强矩形Transformer

Spectral Enhanced Rectangle Transformer for Hyperspectral Image Denoising

ETH Zürich（苏黎世联邦理工学院）；BCG X（波士顿咨询集团X部门）；Beijing Institute of Technology（北京理工大学）；Baidu Inc.（百度公司）

提出一种谱增强矩形Transformer，通过水平和垂直矩形自注意力及光谱增强模块探索HSI的非局部空间相似性与全局光谱低秩特性，有效提升了高光谱图像去噪性能。

2023-04-03cs.CVeess.IV

DDS2M：用于高光谱图像复原的自监督去噪扩散空谱模型

DDS2M: Self-Supervised Denoising Diffusion Spatio-Spectral Model for Hyperspectral Image Restoration

Wuhan University（武汉大学）；JD Explore Academy（京东探索研究院）；University of Sydney（悉尼大学）

扩散模型由于其在图像复原中令人印象深刻的性能，特别是在噪声鲁棒性方面，最近受到了极大的关注。然而，现有的基于扩散的方法是在大量训练数据上训练的，并且在分布中表现得非常好，但是可能非常容易受到分布偏移的影响。这对于数据匮乏的高光谱图像（HSI）恢复尤其不合适。为了解决这个问题，这项工作提出了一个自我监督的扩散模型HSI恢复，即去噪扩散空间谱模型（\texttt{DDS2M}），它的工作原理是通过推断的参数提出的变分空间谱模块（VS2 M）在反向扩散过程中，只使用退化的HSI没有任何额外的训练数据。在VS2M中，基于变分推理的损失函数被定制，以使未经训练的空间和光谱网络能够学习后验分布，后验分布作为采样链的过渡，以帮助逆转扩散过程。得益于其自我监督的性质和扩散过程，\texttt{DDS2M}享有更强的泛化能力，以各种不同的HSI相比，现有的扩散为基础的方法和优越的鲁棒性，以现有的HSI恢复方法。大量的HSI去噪，噪声HSI完成和各种HSI的超分辨率的实验证明了\texttt{DDS2M}的优越性比现有的特定任务的最先进的。

2023-03-19cs.CVeess.IV

可扩展的神经推扫架构用于卫星载荷上的实时高光谱图像去噪

Scalable neural pushbroom architectures for real-time denoising of hyperspectral images onboard satellites

Politecnico di Torino – Department of Electronics and Telecommunications（托里尼 Politecnico 大学电子与电信系）

本文提出了一种可扩展的神经架构，用于卫星载荷上的实时高光谱图像去噪，兼顾低复杂度、动态功率可扩展性和容错性。

2026-01-08cs.CVeess.IV

深度高光谱先验：去噪、修复、超分辨率

Deep Hyperspectral Prior: Denoising, Inpainting, Super-Resolution

The Norwegian Colour and Visual Computing Laboratory（挪威色彩与视觉计算实验室）；NTNU（挪威科技大学）

深度学习算法在图像复原的各种任务中表现出了最先进的性能。这是通过CNN从大型样本集学习的能力实现的。然而，后者成为高光谱图像处理的一个问题，其中数据集通常只包括几个图像。在这项工作中，我们提出了一种新的方法去噪，修复和超分辨率的高光谱图像数据使用的内在属性的CNN没有任何训练。给出的算法的性能被证明是训练网络的性能相媲美，而它的应用程序不受训练数据的可用性。这项工作是原始“深度先验”算法到HSI域和3D卷积网络的扩展。

2019-12-04cs.CV

高光谱图像去噪的图空间-光谱全变分模型

Graph Spatio-Spectral Total Variation Model for Hyperspectral Image Denoising

Tokyo Institute of Technology（东京工业大学）

空间-光谱全变分（SSTV）模型作为一种有效的高光谱图像（HSI）正则化方法，在混合噪声去除等应用中得到了广泛的应用。然而，由于SSTV均匀地计算局部空间差异，因此很难在去除噪声的同时保留具有精细边缘和纹理的复杂空间结构，特别是在高噪声强度的情况下。为了解决这个问题，我们提出了一种新的TV型正则化称为图形SSTV（GSSTV），它生成一个图，明确反映了空间结构的目标HSI从嘈杂的HSI，并采用了加权空间差分算子设计的基础上，这个图。此外，我们制定的混合噪声去除问题作为一个凸优化问题，涉及GSSTV和开发一个有效的算法的基础上的原始-对偶分裂方法来解决这个问题。最后，我们证明了GSSTV的有效性相比，现有的HSI正则化模型，通过实验混合噪声去除。源代码将在https://www.mdi.c.titech.ac.jp/publications/gsstv上提供。

2022-07-22cs.CVeess.IV

用于高光谱图像去噪的改进型准循环神经网络

Improved Quasi-Recurrent Neural Network for Hyperspectral Image Denoising

本文提出改进QRNN3D高光谱图像去噪网络，通过引入自适应融合模块替代跳跃连接、移除批归一化、增加频率损失及学习率预热等简单修改，显著提升了模型去噪性能。

2023-04-02cs.CVeess.IV

基于无监督空间-光谱深度先验解纠缠的高光谱图像去噪

Hyperspectral Denoising Using Unsupervised Disentangled Spatio-Spectral Deep Priors

University of Electronic Science and Technology of China（电子科技大学）；Oregon State University（俄勒冈州立大学）；RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）

图像去噪通常需要精确的先验信息。近年来，数据驱动的神经网络先验在RGB自然图像去噪方面表现出了良好的性能。与经典的手工制作的先验（例如，稀疏性和总变差），使用大量的训练样本来学习“深度先验”--这可以精确地对复杂的图像生成过程进行建模。然而，由于缺乏训练数据，数据驱动的先验知识很难获得高光谱图像（HSI）。一种补救方法是使用所谓的无监督深度图像先验（DIP）。在无监督DIP框架下，假设并实证证明了适当的神经网络结构是某些类型图像的合理先验，并且可以在没有训练数据的情况下学习网络权重。尽管如此，最有效的无监督DIP结构是针对自然图像而不是HSI提出的。无监督的基于DIP的HSI去噪的性能受到两个严重挑战的限制，即网络结构设计和网络复杂性。这项工作提出了一个无监督的DIP框架，是基于经典的空间谱分解的HSIs。利用所谓的HSI的线性混合模型，两种类型的无监督DIP，即，U-Net类网络和全连接网络，分别用于模拟丰度图和HSI中包含的端元。这样，自然图像的经验验证的无监督DIP结构可以很容易地用于HSI去噪。此外，分解也大大降低了网络的复杂性。提出了一种有效的交替优化算法来处理公式化的去噪问题。半真实和真实数据的实验，以展示所提出的方法的有效性。

2021-08-18cs.CVeess.IV

深度均衡模型与稀疏表示模型之间的联系及其在高光谱图像去噪中的应用

Connections between Deep Equilibrium and Sparse Representation Models with Application to Hyperspectral Image Denoising

University of Patras（帕特雷大学）

在这项研究中，计算多维视觉数据的稀疏表示的问题被认为是。一般来说，这些数据，例如，高光谱图像、彩色图像或视频数据由表现出强局部依赖性的信号组成。一个新的计算效率的稀疏编码优化问题是通过采用正则化项，适应感兴趣的信号的属性。利用可学习正则化技术的优点，神经网络被用来作为结构先验，并揭示潜在的信号依赖性。为了解决优化问题，开发了基于深度展开和深度平衡的算法，形成了高度可解释和简洁的基于深度学习的架构，以逐块的方式处理输入数据集。在高光谱图像去噪的背景下，提供了大量的仿真结果，这表明所提出的算法明显优于其他稀疏编码方法，并表现出优于最近最先进的基于深度学习的去噪模型的性能。从更广泛的角度来看，我们的工作在经典方法（即稀疏表示理论）和基于深度学习建模的现代表示工具之间提供了一个独特的桥梁。

2023-03-14cs.CVcs.NEeess.IV

三维准循环神经网络用于高光谱图像去噪

3D Quasi-Recurrent Neural Network for Hyperspectral Image Denoising

本文提出了一种交替方向三维准递归神经网络用于高光谱图像去噪，该网络能够有效地嵌入领域知识--结构空谱相关性和沿谱的全局相关性。具体地说，3D卷积被用来提取结构的空间-频谱相关的HSI，而准递归池函数被用来捕捉沿频谱的全局相关性。此外，交替方向结构的引入，以消除因果关系，而不增加计算成本。所提出的模型能够对空间光谱依赖性进行建模，同时保留对具有任意数量频带的HSI的灵活性。HSI去噪的大量实验表明，在各种噪声设置下，在恢复精度和计算时间方面，与现有技术相比有显着改善。我们的代码可在https://github.com/Vandermode/QRNN3D上获得。

2020-03-10cs.CV

进化式深度卷积神经网络用于高光谱图像去噪

Evolving Deep Convolutional Neural Networks for Hyperspectral Image Denoising

College of Computer Science, Sichuan University（四川大学计算机学院）；School of Engineering and Computer Science, Victoria University of Wellington（惠灵顿维多利亚大学工程与计算机科学学院）

高光谱图像易受各种噪声因素的影响而导致信息的丢失，这些噪声制约了后续的高光谱图像目标检测和分类任务。近年来，基于学习的方法在去噪HSIs方面表现出了其优越的优势。不幸的是，大多数方法都是基于广泛的专业知识手动设计的，这些专业知识不一定对感兴趣的用户可用。在本文中，我们提出了一种新的算法来自动构建一个最佳的卷积神经网络（CNN），以有效地去噪HSIs。特别地，所提出的算法的重点是CNN的结构和连接权重的初始化。实验结果表明，该算法在不同的评价指标、视觉评价和计算复杂性等方面具有较好的竞争力.

2020-08-15cs.CVcs.NEeess.IV

深度均衡卷积稀疏编码用于超光谱图像去噪

Deep Equilibrium Convolutional Sparse Coding for Hyperspectral Image Denoising

School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院）；College of Computer Science, Zhejiang University（浙江大学计算机科学学院）

本文提出深度均衡卷积稀疏编码框架，通过统一局部空间-光谱相关性、非局部自相似性和全局一致性，提升超光谱图像去噪性能。

2025-12-22cs.CVeess.IV

Hipandas：通过与全色图像融合实现高光谱图像联合去噪与超分辨率

Hipandas: Hyperspectral Image Joint Denoising and Super-Resolution by Image Fusion with the Panchromatic Image

Northwestern Polytechnical University（西北工业大学）；Research & Development Institute of Northwestern Polytechnical University in Shenzhen（西北工业大学深圳研究院）；ETH Zürich（苏黎世联邦理工学院）；Xi’an Jiaotong University（西安交通大学）

提出零样本 Hipandas 框架，通过三网络耦合、两类低秩先验和两阶段训练，联合利用 PAN 图像完成高光谱去噪与超分辨率，性能优于现有方法。

2024-12-05cs.CVeess.IV

退化噪声感知的高光谱图像去噪深度展开Transformer

Degradation-Noise-Aware Deep Unfolding Transformer for Hyperspectral Image Denoising

IMEC-UGent（IMEC-根特大学）；ETH（苏黎世联邦理工学院）；NPU（西北工业大学）；CUG（中国地质大学（武汉））

针对高光谱图像去噪中模型驱动与学习方法的局限，提出退化噪声感知展开网络DNA-Net，结合Transformer建模噪声与先验，引入U-LNSA捕获多类依赖，实验优于现有方法。

2023-05-06cs.CVeess.IV

HIDFlowNet: 一种基于流的深度网络用于超光谱图像去噪

HIDFlowNet: A Flow-Based Deep Network for Hyperspectral Image Denoising

Xi'an Jiaotong University（西安交通大学）

HIDFlowNet是一种基于流的深度网络，通过分离低频和高频信息来提升超光谱图像去噪性能。

2025-12-31cs.CVeess.IV

基于空间-光谱深度残差卷积神经网络的高光谱图像去噪

Hyperspectral Image Denoising Employing a Spatial-Spectral Deep Residual Convolutional Neural Network

Wuhan University（武汉大学）

高光谱图像去噪是提高高光谱图像解译和应用性能的关键预处理过程。在本文中，针对该任务提出了一种新的基于深度学习的方法，通过使用组合的空间-频谱深度卷积神经网络（HSID-CNN）来学习噪声和干净HSI之间的非线性端到端映射。空间和光谱信息同时分配给建议的网络。此外，分别采用多尺度特征提取和多层次特征表示来获取多尺度空间-光谱特征，并将不同层次的特征表示进行融合，最终实现图像的恢复。仿真和真实数据实验表明，该方法在量化评价指标、视觉效果和HSI分类准确率方面均优于许多主流方法。

2018-08-11cs.CV

基于空间-光谱循环 Transformer 的高光谱图像去噪

Hyperspectral Image Denoising via Spatial-Spectral Recurrent Transformer

Nanjing University of Science and Technology（南京理工大学）；University of Macau（澳门大学）；Griffith University（格里菲斯大学）；Zhejiang University（浙江大学）

针对高光谱图像去噪中空间自相似性与全局光谱相关性被割裂利用的问题，提出 SSRT-UNet，通过双分支共享键值与跨波段循环建模实现二者联合，取得优于现有方法的性能。

2024-01-09cs.CVeess.IV

SSUMamba：用于高光谱图像去噪的空间-光谱选择性状态空间模型

SSUMamba: Spatial-Spectral Selective State Space Model for Hyperspectral Image Denoising

School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院）；School of Information and Communication Technology, Griffith University（格里菲斯大学信息与通信技术学院）

该研究提出 SSUMamba，通过六种空间-光谱连续扫描顺序、双向 SSM 与 3D 卷积高效建模高光谱图像的长程及局部依赖，在降低每批内存消耗的同时提升去噪性能。

2024-08-03cs.CVcs.LGeess.IV

基于多模态双权张量核范数的高光谱图像去噪

Hyperspectral Image Denoising via Multi-modal and Double-weighted Tensor Nuclear Norm

Northwest A&F University（西北农林科技大学）

高光谱图像（HSI）通常遭受不同类型的污染。这严重降低了HSI的质量，并限制了后续处理任务的准确性。HSI去噪可以建模为低秩张量去噪问题。由张量奇异值分解导出的张量核范数（TNN）在该问题中起着重要的作用。在这封信中，我们首先重新考虑三个不起眼的，但在TNN的关键现象。在HSI的傅立叶变换域中，不同的频率片（FS）包含不同的信息;每个FS的不同奇异值（SV）也表示不同的信息。这两种物理现象不仅存在于光谱模式中，而且存在于空间模式中。在此基础上，提出了一种多模态双权的TNN。它可以自适应收缩FS和SV根据其物理意义在所有模式的HSIs。在交替方向乘子法的框架下，我们设计了一个有效的交替迭代策略来优化我们提出的模型。在合成和真实HSI数据集上的去噪实验证明了它们相对于相关方法的优越性。

2022-06-20cs.CV

基于混合注意力网络的高光谱图像去噪

Mixed Attention Network for Hyperspectral Image Denoising

Beijing Institute of Technology（北京理工大学）

高光谱图像去噪是一种特殊的处理方法，它需要充分考虑光谱信息的高度相似性和相关性。然而，现有的方法在探索不同波段之间的光谱相关性和每个波段内的特征相互作用方面存在局限性。此外，低层和高层特征通常表现出不同的重要性，不同的空间光谱区域，这是目前的算法没有充分利用。在本文中，我们提出了一个混合注意力网络（MAN），同时考虑了间和内的光谱相关性，以及低和高层次的空间光谱有意义的功能之间的相互作用。具体来说，我们引入了一个多头经常性的光谱注意，有效地整合了所有光谱带的光谱间的功能。通过探索频谱内关系，利用渐进的频谱通道注意力进一步增强这些特征。此外，我们提出了一个细心的跳跃连接，自适应控制的比例，低和高层次的空间频谱特征的编码器和解码器，以更好地提高聚合功能。大量的实验表明，我们的MAN优于现有的最先进的方法在模拟和真实的噪声设置，同时保持低成本的参数和运行时间。

2023-01-27cs.CVcs.LGeess.IV

基于低秩矩阵近似的高光谱图像去噪框架的不确定性量化

Uncertainty Quantification for Hyperspectral Image Denoising Frameworks based on Low-rank Matrix Approximation

Nanjing Forestry University（南京林业大学）；University of Michigan（密歇根大学）；FXPAL inc.（FX帕洛阿尔托实验室公司）；Zhejiang A&F University（浙江农林大学）；University of Calgary（卡尔加里大学）；Chinese Academy of Sciences（中国科学院）；University of Chinese Academy of Sciences（中国科学院大学）；FX Palo Alto Laboratory Inc.（FX帕洛阿尔托实验室公司）

基于滑动窗口的低秩矩阵近似（LRMA）是一种广泛应用于高光谱图像去噪或补齐的方法。然而，恢复的HSI的不确定性量化尚未解决的日期。去噪HSI的精确不确定性量化有助于诸如多源或多尺度数据融合、数据同化和产品不确定性量化的应用，因为这些应用需要精确的方法来描述输入数据的统计分布。因此，我们提出了一种无先验的封闭形式的元素的不确定性量化方法基于LRMA的HSI恢复。我们的封闭形式的算法克服了困难的HSI补丁混合问题所造成的滑动窗口策略在传统的LRMA过程。所提出的方法只需要所观察到的HSI的不确定性，并提供了相对快速的不确定性结果，并具有类似的计算复杂度的LRMA技术。我们进行了大量的实验，以验证所提出的封闭形式的不确定性方法的估计精度。与LRMA相比，该方法对至少10%的随机脉冲噪声具有鲁棒性，代价是10 - 20%的额外处理时间。实验结果表明，所提出的封闭形式的不确定度量化方法是更适用于现实世界的应用比基线蒙特卡罗测试，这是计算昂贵的。该代码在附件中提供，并将在接受本文后发布。

2022-05-06cs.CVeess.IV

非局部满足全局：高光谱图像恢复的迭代范例

Non-local Meets Global: An Iterative Paradigm for Hyperspectral Image Restoration

RIKEN Center for Advanced Intelligence Project (AIP)（理化学研究所先进智能项目中心）；Department of Electronic Engineering, Tsinghua University（清华大学电子工程系）；Paradigm Inc.（第四范式有限公司）；Graduate School of Frontier Sciences, The University of Tokyo（东京大学前沿科学研究生院）；LISMARS, Wuhan University（武汉大学测绘遥感信息工程国家重点实验室）

非局部低秩张量近似是一种高光谱图像复原的新方法，它包括去噪、压缩后的高光谱图像重建和图像修复三个方面。不幸的是，虽然它的恢复性能受益于更多的光谱波段，其运行时间也大大增加。本文提出了HSI位于一个全局谱低秩子空间中，并且每个全带片群的谱子空间都应位于这个全局谱低秩子空间中。这促使我们提出一个统一的范式相结合的空间和光谱特性的HSI恢复。所提出的范例具有非局部空间去噪的性能优势和低秩正交基探索的计算复杂度。提出了一种有效的秩自适应交替极小化算法。它是通过首先解决一个保真度项相关的问题的潜在的输入图像的更新，然后学习低维正交基和相关的减少图像从潜在的输入图像。随后，非局部低秩去噪迭代细化约简图像和正交基。最后，HSI去噪，压缩重建和修复任务的实验，模拟和真实数据集，证明了其优越性，相对于国家的最先进的HSI恢复方法。

2020-10-24cs.CVeess.IV

基于条件去噪扩散概率模型的高光谱与多光谱图像融合

Hyperspectral and Multispectral Image Fusion Using the Conditional Denoising Diffusion Probabilistic Model

本文提出DDPM-Fus，利用条件去噪扩散概率模型，以高分辨率多光谱和低分辨率高光谱图像为条件，通过反向去噪生成融合的高分辨率高光谱图像，并在多个数据集上验证了其优越性。

2023-07-07cs.CVcs.LGeess.IV

基于非凸局部低秩稀疏分离的高光谱图像去噪空谱全变分正则化

Hyperspectral Image Denoising Using Non-convex Local Low-rank and Sparse Separation with Spatial-Spectral Total Variation Regularization

Qingdao University（青岛大学）；Harbin Institute of Technology（哈尔滨工业大学）；University of Electronic Science and Technology of China（电子科技大学）；University of Kentucky（肯塔基大学）；University of California, Santa Barbara（加州大学圣巴巴拉分校）

在本文中，我们提出了一种新的非凸方法来鲁棒的主成分分析HSI去噪，重点是同时开发更准确的近似秩和列稀疏的低秩和稀疏的组件，分别。特别地，新方法采用对数行列式秩近似和一种新的$\ell_{2,\log}$范数，分别限制了分量矩阵的局部低秩或列稀疏性。对于$\ell_{2,\log}$-正则化收缩问题，我们给出了一个有效的封闭形式的解，称之为$\ell_{2,\log}$-收缩算子.新的正则化和相应的算子可以普遍用于其他需要列稀疏性的问题。此外，我们在基于对数的非凸RPCA模型中施加空间-光谱全变分正则化，这增强了恢复的HSI中空间和光谱视图的全局分段平滑性和光谱一致性。仿真和真实HSI上的大量实验证明了该方法在去噪HSI方面的有效性。

2022-01-08cs.CVcs.LGeess.IV

高光谱图像去噪中的真实噪声解耦

Real Noise Decoupling for Hyperspectral Image Denoising

本文提出多阶段噪声解耦框架，通过显式和隐式建模分离复杂噪声，提升高光谱图像去噪效果。

2025-11-21cs.CV

用于高光谱图像去噪的混合域协同 Transformer

Hybrid-Domain Synergistic Transformer for Hyperspectral Image Denoising

School of Optoelectronic Science and Engineering, Soochow University（光电科学与工程学院，苏州大学）

针对高光谱图像复杂空谱噪声耦合问题，本文提出 HDST，通过 FFT 多波段预处理、动态跨域注意力和多尺度频域分层恢复提升去噪性能与效率。

2025-07-27cs.CV

H2TF用于高光谱图像去噪：分层非线性变换与分层矩阵分解的结合

H2TF for Hyperspectral Image Denoising: Where Hierarchical Nonlinear Transform Meets Hierarchical Matrix Factorization

University of Electronic Science and Technology of China（电子科技大学）

本文提出H2TF张量分解方法，结合分层非线性变换与分层矩阵分解，用于高光谱图像去噪，实验表明其性能优于现有最先进方法。

2023-04-21cs.CV

用于高光谱图像去噪的迭代低秩网络

Iterative Low-rank Network for Hyperspectral Image Denoising

School of Computer Science and Engineering, Nanjing University of Science and Technology（计算机科学与工程学院，南京理工大学）；School of Information and Communication Technology, Griffith University（信息与通信技术学院，格里菲斯大学）；College of Computer Science, Zhejiang University（计算机科学学院，浙江大学）

针对高光谱图像去噪中物理先验利用与细节保留的平衡难题，提出嵌入秩最小化模块的迭代低秩网络ILRNet，融合模型与数据驱动优势，在合成及真实去噪任务中取得SOTA性能。

2025-08-30cs.CV

基于子空间表示和加权低阶张量正则化的高光谱混合噪声去除

Hyperspectral Mixed Noise Removal via Subspace Representation and Weighted Low-rank Tensor Regularization

Jilin University（吉林大学）

近年来，高光谱图像去噪方法中考虑了从图像中提取的不同分量的低秩特性。然而，这些方法通常将三维张量展开为二维矩阵或一维向量，利用非局部空间自相似性（NSS）和全局谱相关性（GSC）等先验信息，破坏了高光谱图像（HSI）固有的结构相关性，导致恢复质量不高。此外，由于HSI的原始高维空间中涉及矩阵和张量的奇异值分解运算，大多数算法都存在计算负担重的问题。我们采用子空间表示和加权低秩张量正则化（SWLRTR）的模型，以消除高光谱图像中的混合噪声。具体地说，为了在谱带之间使用GSC，将噪声HSI投影到低维子空间中，简化了计算。然后引入加权低秩张量正则化项来表征约简图像子空间中的先验信息。此外，我们设计了一个基于交替极小化的算法来解决非凸问题。仿真和真实数据集上的实验表明，SWLRTR方法在定量和视觉上都优于其他高光谱去噪方法。

2021-11-13cs.CVcs.GReess.IV

HSR-Diff：基于条件扩散模型的高光谱图像超分辨率

HSR-Diff:Hyperspectral Image Super-Resolution via Conditional Diffusion Models

Northwestern Polytechnical University（西北工业大学）；Yan’an University（延安大学）

针对高光谱图像空间分辨率低的问题，提出基于条件扩散模型的HSR-Diff方法，融合高分辨率多光谱图像与低分辨率高光谱图像，通过条件去噪Transformer迭代细化生成高分辨率图像，在四个公开数据集上超越现有方法。

2023-06-21cs.CVeess.IV

一种受TRPCA启发的深度展开网络：基于阈值化t-SVD与Top-K稀疏Transformer的高光谱图像去噪

A TRPCA-Inspired Deep Unfolding Network for Hyperspectral Image Denoising via Thresholded t-SVD and Top-K Sparse Transformer

College of Computer Science and Engineering, Shandong University of Science and Technology（计算机科学与工程学院，山东科技大学）；Gosci Information Technology Co.,Ltd.（Gosci信息技术有限公司）

本文提出受TRPCA启发的深度展开网络DU-TRPCA，通过阈值化t-SVD低秩模块与Top-K稀疏Transformer模块的逐阶段紧耦合交替，在保持可解释性的同时有效去除高光谱图像中的复杂混合噪声，并在严重噪声条件下超越现有方法。

2025-06-03cs.CV

空间-光谱自适应保真与噪声先验减少引导的高光谱图像去噪

Spatial-Spectral Adaptive Fidelity and Noise Prior Reduction Guided Hyperspectral Image Denoising

School of Mathematics and Statistics, Wuhan University（武汉大学数学与统计学学院）；Department of Computer and Information Science, Faculty of Science and Technology, University of Macau（澳门大学计算机与信息科学系）；Hubei Center for Applied Mathematics, Wuhan University（湖北应用数学中心，武汉大学）；Hubei Key Laboratory of Computational Science, Wuhan University（湖北计算科学重点实验室，武汉大学）

本文提出一种结合噪声先验减少和空间-光谱自适应保真项的去噪框架，以有效处理多种噪声并保持计算效率。

2026-04-14cs.CVcs.NAmath.NA

AXS-Net：基于光谱基元分解与结构化噪声细化的高光谱图像去噪可解释深度展开

AXS-Net: Interpretable Deep Unfolding for Hyperspectral Image Denoising via Spectral Basis Unmixing and Structured Noise Refinement

Xiangtan University（湘潭大学）

AXS-Net 通过将高光谱去噪建模为光谱分解与结构化噪声分离的优化问题并展开为深度网络，实现了可解释去噪，在多个数据集上表现优异。

2026-09-09cs.CV

基于可分离先验的自监督超光谱图像复原

Self-supervised Hyperspectral Image Restoration using Separable Image Prior

The University of Kitakyushu（北九州市立大学）

使用卷积神经网络的监督学习被认为是图像恢复的强大手段。然而，大多数这样的方法已被设计为应用于灰度和/或彩色图像，因此，它们具有有限的成功时，应用于高光谱图像恢复。这部分是由于难以收集大型数据集，以及与恢复具有许多光谱带的图像相关的繁重计算负荷。为了解决这个困难，我们提出了一种新的自监督学习策略应用于高光谱图像恢复。我们的方法从单个退化图像自动创建训练数据集，并在没有任何清晰图像的情况下训练去噪网络。我们方法的另一个显著特点是使用了可分离的卷积层。我们进行实验，以证明使用一个可分离的网络，使我们能够获得先验的高光谱图像，并实现有效的恢复。我们通过大量的实验证明了我们的方法的有效性，并表明我们的方法具有更好的特性比那些目前被认为是最先进的。

2019-07-01cs.CVeess.IV

利用预训练RGB去噪器进行高光谱图像恢复

Leveraging pretrained RGB denoisers for hyperspectral image restoration

Univ. Grenoble Alpes, CNRS, Grenoble INP, GIPSA-Lab（格勒诺布尔阿尔卑斯大学、法国国家科学研究中心、格勒诺布尔INP、GIPSA实验室）

提出一种轻量级适配器，通过投影映射重用冻结的预训练RGB去噪器，实现高光谱图像的去噪、去模糊和超分辨率恢复，实验表明RGB先验具有良好的迁移性。

2026-05-23cs.AIcs.CVeess.IV

超越可见范围：利用 HSI-Diffusion 联合关注光谱与空间维度，服务于 FINCH 航天器

Beyond the Visible: Jointly Attending to Spectral and Spatial Dimensions with HSI-Diffusion for the FINCH Spacecraft

University of Toronto（多伦多大学）；University of Toronto Aerospace Team（多伦多大学航空航天团队）

针对 FINCH 高光谱图像跨波段噪声导致的光谱失真问题，提出融合空间与光谱信息的 3D 潜在扩散模型及三阶段训练方法，在真实与合成数据集上验证了去噪和结构保持效果。

2024-06-15cs.CVcs.LGeess.IV

HIR-Diff：基于改进扩散模型的无监督高光谱图像复原

HIR-Diff: Unsupervised Hyperspectral Image Restoration Via Improved Diffusion Models

School of Computer Science and Technology, Xi’an Jiaotong University（西安交通大学计算机科学与技术学院）；School of Mathematics and Statistics, Xi’an Jiaotong University（西安交通大学数学与统计学院）

本文提出无监督高光谱图像复原框架HIR-Diff，将干净HSI分解为降维图像与系数矩阵，结合改进扩散模型、TV先验引导、SVD与RRQR预估计及指数噪声调度，在去噪、超分辨率和修复任务上实现了性能与速度的双重提升。

2024-02-24cs.CVeess.IV

基于加权低秩张量恢复的高光谱图像复原

Weighted Low-rank Tensor Recovery for Hyperspectral Image Restoration

National Laboratory of Radar Signal Processing, Xidian University（西安电子科技大学雷达信号处理国家重点实验室）；Science and Technology on Multispectral Information Processing Laboratory, School of Automation, Huazhong University of Science and Technology（华中科技大学自动化学院多谱信息处理技术国家级重点实验室）

高光谱成像能够同时提供丰富的空间和光谱信息，近年来引起了人们的广泛兴趣。不幸的是，由于硬件的限制，高光谱图像（HSI）容易受到各种退化，如噪声（随机噪声，HSI去噪），模糊（高斯和均匀模糊，HSI去模糊），和下采样（频谱和空间下采样，HSI超分辨率）。以前的HSI恢复方法仅针对一个特定任务而设计。此外，它们大多从一维矢量或二维矩阵模型出发，不能充分利用三维HSI的结构谱-空间相关性。为了克服这些局限性，在这项工作中，我们提出了一个统一的低秩张量恢复模型的综合HSI恢复任务，其中谱空间立方和谱相关之间的非局部相似性同时捕获的3阶张量。此外，为了提高能力和灵活性，我们制定了一个加权低秩张量恢复（WLRTR）模型，通过不同的奇异值处理，并研究其解析解。我们还考虑到在HSI的独家条纹噪声作为粗差扩展WLRTR鲁棒主成分分析（WLRTR-RPCA）。大量的实验表明，所提出的WLRTR模型在典型的低水平视觉HSI任务中，包括去噪、去噪、去模糊和超分辨率，始终优于最先进的水平。

2017-09-01cs.CV

一种用于高光谱图像恢复的可训练谱-空稀疏编码模型

A Trainable Spectral-Spatial Sparse Coding Model for Hyperspectral Image Restoration

Inria（法国国家信息与自动化研究所）；Univ. Grenoble Alpes（格勒诺布尔-阿尔卑斯大学）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔理工学院）

高光谱成像为不同的应用提供了新的视角，从使用机载或卫星遥感监测环境，精密农业，食品安全，行星探索或天体物理学。不幸的是，信息的光谱多样性是以各种退化源为代价的，并且缺乏在现场获得的准确的地面实况“干净”高光谱信号使得恢复任务具有挑战性。特别是，训练深度神经网络进行恢复是困难的，与传统的RGB成像问题相比，深度模型往往会发光。在本文中，我们主张，而不是基于稀疏编码原则，保留了经典技术的可解释性编码领域知识与手工图像先验的混合方法，同时允许训练模型参数端到端没有大量的数据。我们在各种去噪基准上表明，我们的方法在计算上是高效的，并且显着优于现有技术。

2021-11-18cs.CVcs.LGeess.IV

基于约束低管秩张量恢复的高光谱图像双边随机投影混合噪声去除

Constrained low-tubal-rank tensor recovery for hyperspectral images mixed noise removal by bilateral random projections

University of Electronic Science and Technology of China（电子科技大学）；Hong Kong Baptist University（香港浸会大学）

本文提出了一种新的低管秩张量恢复模型，该模型直接约束管秩先验，有效地去除高光谱图像中的混合高斯和稀疏噪声。在恢复过程中，管秩和稀疏性的约束可以支配去噪张量的解。为了求解约束低管秩模型，我们开发了一种基于双边随机投影的迭代算法来有效地求解该模型。随机投影的优点是可以以一种廉价的方式相当准确地获得低管秩张量的近似。高光谱图像去噪的实验结果表明了该方法的有效性和效率。

2019-05-15cs.CV

高光谱图像的深度多样性增强特征表示

Deep Diversity-Enhanced Feature Representation of Hyperspectral Images

City University of Hong Kong（香港城市大学）；Saint Francis University（圣弗朗西斯大学）；Huaqiao University（华侨大学）

提出秩增强空谱对称卷积集ReS$^3$-ConvSet与多样性感知正则化DA-Reg，以提升高光谱图像特征表示多样性，并在去噪、超分辨率和分类任务上显著超越现有方法。

2024-05-09cs.CVeess.IV

基于深度即插即用先验的高光谱图像恢复

Deep Plug-and-Play Prior for Hyperspectral Image Restoration

Beijing Institute of Technology（北京理工大学）

基于深度学习的高光谱图像（HSI）恢复方法因其出色的性能而广受欢迎，但每当任务的具体情况发生变化时，通常需要昂贵的网络重新训练。在本文中，我们提出用一种有效的即插即用方法来统一恢复HSI，这种方法既可以保留基于优化的方法的灵活性，又可以利用深度神经网络的强大表示能力。具体来说，我们首先开发了一种新的深度HSI去噪器，它利用门控递归卷积单元、短期和长期跳过连接以及增强的噪声水平图，以更好地利用HSI中丰富的空间-频谱信息。因此，它导致了在高斯和复杂噪声设置下HSI去噪的最先进性能。然后，建议的去噪器插入到即插即用框架作为一个强大的隐式HSI之前，解决各种HSI恢复任务。通过对HSI超分辨率，压缩感知和修复的广泛实验，我们证明了我们的方法通常可以通过单个模型实现卓越的性能，在每个任务上都具有竞争力甚至优于最先进的技术，而无需任何特定任务的训练。

2022-09-17cs.CVcs.LGeess.IV

基于多流去噪网络的高光谱图像去噪

Hyperspectral Image Denoising Based On Multi-Stream Denoising Network

高光谱图像在军事、农业、环境监测等领域有着广泛的应用。尽管如此，HSI在采集过程中通常会遭受各种类型的噪音。因此，去噪对于HSI分析和应用至关重要。本文提出了一种基于多流去噪网络（MSDNet）的HSI盲去噪方法。我们的网络由噪声估计子网络和去噪子网络组成。在噪声估计子网络中，设计了多尺度融合模块，从不同尺度捕获噪声。然后，利用去噪子网络得到最终的去噪图像。提出的MSDNet可以获得鲁棒的噪声水平估计，这是能够提高HSI去噪的性能。在HSI数据集上的大量实验表明，该方法优于四种密切相关的方法。

2021-04-06eess.IV