Unsupervised Classification in Hyperspectral Imagery with Nonlocal Total Variation and Primal-Dual Hybrid Gradient Algorithm
University of California, Los Angeles（加州大学洛杉矶分校）；Bard College（巴德学院）；Grenoble Institute of Technology（格勒诺布尔理工学院）；University of California, San Diego（加州大学圣地亚哥分校）
提出了一种基于图的非局部全变分方法（NLTV）用于高光谱图像的无监督分类。变分问题求解的原始-对偶混合梯度（PDHG）算法。通过平方标记函数和使用稳定的单纯形聚类例程，可以实现具有随机初始化的无监督聚类方法。该算法的有效性说明合成和现实世界的HSI，数值结果表明，该算法优于其他标准的无监督聚类方法，如球形K-均值，非负矩阵分解（NMF），和基于图的Merriman-Bence-Osher（MBO）计划。
2017-02-13 cs.CV
Salient object detection on hyperspectral images using features learned from unsupervised segmentation task
AIST（日本产业技术综合研究所）
已经提出了来自彩色图像的各种显著性检测算法，以模仿人类观察者对相同场景的眼睛注视或专注的目标检测响应。然而，高光谱成像系统的发展使我们能够从物体的反射光源中获得观测场景的冗余光谱信息。一些研究表明，使用低级别的功能，高光谱图像的显着目标检测可以实现。在这项工作中，我们提出了一个显着的目标检测模型的高光谱图像应用流形排名（MR）的自监督卷积神经网络（CNN）的功能（高级功能）从无监督的图像分割任务。CNN的自我监督继续进行，直到聚类损失或显着性图收敛到每次迭代之间的定义误差。最后，显著性估计完成的显着性图在最后一次迭代时，自监督过程终止与收敛。实验结果表明，所提出的显着性检测算法的高光谱图像是优于国家的最先进的高光谱显着性模型，包括原来的MR为基础的显着性模型。
2019-02-28 cs.CV
Unsupervised Segmentation of Hyperspectral Remote Sensing Images with Superpixels
Istituto Nazionale di Fisica Nucleare（意大利国家核物理研究所）；Università Milano−Bicocca（米兰比可卡大学）
本文提出了一种无监督的高光谱遥感图像分割方法。该方法利用均值漂移聚类算法，作为输入的初步高光谱超像素分割连同光谱像素信息。所提出的方法不需要分割类的数量作为输入参数，它不利用任何先验知识的类型的土地覆盖或土地利用被分割（如水，植被，建筑物等）。在Salinas、SalinasA、Pavia Center和Pavia University数据集上进行了实验。性能的衡量标准化的互信息，调整后的兰德指数和F1得分。结果表明，所提出的方法的有效性与最先进的比较。
2022-08-26 cs.CV
Domain-Aware Unsupervised Hyperspectral Reconstruction for Aerial Image Dehazing
BITS Pilani（贝拉理工学院皮拉尼校区）；IIIT Kota（科塔印度信息技术学院）
由于空间细节和对比度的变化，航空图像的去雾是一个具有挑战性的问题。颗粒物密度的变化通常会导致能见度下降。因此，几种方法利用多光谱数据作为辅助信息用于雾去除。在本文中，我们提出了SkyGAN在航空图像中的烟雾消除。SkyGAN由1）域感知的雾度到高光谱（H2H）模块和2）用于去雾的基于条件GAN（cGAN）的多线索图像到图像转换模块（I2I）组成。H2H模块以无监督的方式从RGB图像中重建多个可见波段，克服了高光谱航空影像数据集模糊的问题。该模块利用任务监督和领域自适应，以便为图像去雾创建“高光谱催化剂”。I2I模块使用高光谱催化剂以及12通道多线索输入，并通过利用整个可见光谱执行有效的图像去雾。此外，这项工作还引入了一个新的数据集，称为模糊航空图像（HAI）数据集，其中包含超过65，000对模糊和地面实况航空图像，具有不同密度的真实，非均匀的模糊。SkyGAN的性能在最近的SateHaze1k数据集以及HAI数据集上进行了评估。我们还提出了一个全面的评估HAI数据集与一组代表性的国家的最先进的技术方面的PSNR和SSIM。
2020-11-07 cs.CV
Unsupervised ore/waste classification on open-cut mine faces using close-range hyperspectral data
Rio Tinto Centre for Mine Automation（力拓矿山自动化中心）；Australian Centre for Field Robotics (ACFR)（澳大利亚现场机器人中心（ACFR））；The University of Sydney（悉尼大学）
矿物的远距离测绘和地表矿石和废料的鉴别是诸如采矿等地质应用的重要任务。利用地面近距离高光谱传感器，这些任务已经成为可能，因为这些传感器能够以高空间和光谱分辨率远程测量环境的反射特性。然而，由于矿物和岩石类之间的光谱吸收特性的差异以及场景照明的变化，在露天矿工作面上测量的矿物光谱的自主映射仍然是一个具有挑战性的问题。当没有注释数据可用于训练监督学习算法时，会出现额外的困难。提出了一种用于矿井工作面光谱无监督映射的管道，该管道借鉴了高光谱机器学习文献中的几个最新进展。该管道将无监督和自监督算法集成到一个统一的系统中，以在不需要人工注释的训练数据的情况下绘制矿井工作面上的矿物。该管道是用一个露天矿工作面的高光谱图像数据集进行评估的，该工作面包括矿石马氏体和非矿化页岩。组合系统产生一个优越的地图，其组成的算法，并证明其映射能力的一致性，使用在一天中的两个不同时间获得的数据。
2023-02-09 cs.CV
Unsupervised Sparse Dirichlet-Net for Hyperspectral Image Super-Resolution
The University of Tennessee（田纳西大学）；Applied Research LLC（应用研究有限责任公司）
在许多计算机视觉应用中，在空间域和光谱域中获得高分辨率的图像同样重要。然而，由于硬件的限制，人们只能期望在空间或光谱域中获得高分辨率的图像。研究了高光谱图像的超分辨率（HSI-SR），将低空间分辨率高光谱图像与高空间分辨率低光谱分辨率多光谱图像进行融合，得到高空间分辨率高光谱图像。现有的基于深度学习的解决方案都是有监督的，这需要大量的训练集和HR HSI的可用性，这是不现实的。在这里，我们第一次尝试使用无监督的编码器-解码器架构来解决HSI-SR问题，该架构具有以下独特性。首先，它由两个编码器-解码器网络组成，通过共享解码器耦合，以保留来自HSI网络的丰富频谱信息。其次，该网络鼓励来自两种模态的表示遵循稀疏狄利克雷分布，该分布自然地结合了HSI和MSI的两个物理约束。第三，最小化表示之间的角度差，以减少频谱失真。我们将所提出的架构称为无监督稀疏狄利克雷网或uSDN。大量的实验结果表明，优越的性能的uSDN相比，国家的最先进的。
2018-07-15 cs.CV
Unsupervised Band Selection of Hyperspectral Images via Multi-dictionary Sparse Representation
Dalian University of Technology（大连理工大学）；Shenyang Aerospace University（沈阳航空航天大学）；University of Adelaide（阿德莱德大学）
高光谱图像具有比普通多光谱图像多得多的光谱波段。丰富的波段信息为海量应用提供了更为有利的条件。然而，光谱带维数的显著增加可能导致维数灾难，特别是对于分类应用。此外，由于水分蒸发、传感器噪声等因素的影响，原始图像立方体之间存在大量的冗余信息。波段选择是一种直接有效的去除冗余信息、降低谱维数的方法，可以降低计算复杂性，避免维数灾难。在本文中，我们提出了一种新的学习框架的基础上的思想稀疏表示的波段选择。更具体地，首先，每个带由其他带的线性组合近似地表示，然后原始带图像可以由多字典学习机制表示。因此，一组权重可以通过稀疏优化获得的所有波段。最后，如果特定波段在原始图像的表示中获得比其他波段更高的权重，则将选择特定波段。在三个广泛使用的高光谱数据集上的实验结果表明，该算法在高光谱图像分类中取得了较好的性能，与其他最先进的波段选择方法相比。
2018-02-20 cs.CV
FastHyMix: Fast and Parameter-free Hyperspectral Image Mixed Noise Removal
The University of Hong Kong（香港大学）；Shenzhen Institute of Research and Innovation, The University of Hong Kong（香港大学深圳研究院）
具有高光谱分辨率的高光谱成像在寻找目标、识别材料或检测过程中起着重要作用。谱带宽度的减小导致测量的信噪比（SNR）降低。降低的SNR降低了从HSI提取的测量特征或信息的可靠性。此外，与各种机制相关联的图像劣化也导致不同类型的噪声，诸如高斯噪声、脉冲噪声、截止时间和条纹。介绍了一种快速无参数的高光谱图像混合噪声去除方法（FastHyMix），该方法利用高斯混合模型描述混合噪声的复杂分布，并利用高光谱数据的两个主要特性，即光谱域的低秩性和空间域的高相关性。高斯混合模型使我们能够很好地估计高斯噪声强度和稀疏噪声的位置。所提出的方法通过添加从神经去噪网络中提取的强大的深度图像先验，利用了使用子空间表示的低秩和HSI的空间相关性。进行了详尽的实验和比较与国家的最先进的去噪。实验结果表明，在合成和真实数据集的显着改善。为了重现性，这项工作的MATLAB演示将在https://github.com/LinaZhuang上提供。
2021-09-18 cs.CV eess.IV
Deep Diffusion Models and Unsupervised Hyperspectral Unmixing for Realistic Abundance Map Synthesis
DITEN, University of Genoa（迪滕，热那亚大学）；DII, University of Pisa（迪II，比萨大学）
本研究提出结合盲线性高光谱解混与扩散模型的无监督方法，从高光谱图像生成真实丰度图，经PRISMA任务真实数据验证，可用于高光谱分析的数据增强等场景。
2025-06-16 cs.CV eess.IV
Spatial Context based Angular Information Preserving Projection for Hyperspectral Image Classification
University of Houston（休斯顿大学）
降维是高光谱数据分析的一个重要预处理过程，寻找合适的子空间是后续图像分类的基础。在最近的工作中，我们提出了监督角度信息的降维方法，以找到有效的子空间。由于未标记的数据往往比标记的数据更容易获得，我们提出了一种无监督投影，找到一个低维的子空间，其中局部角度信息被保留。为了利用高光谱图像的空间信息，我们进一步扩展了我们的无监督投影，将图像中每个像素周围的空间上下文信息。此外，我们还提出了一个基于稀疏表示的分类器，它被优化为利用空间信息在分类过程中-因此，我们断言，我们提出的投影是特别适合分类器的地方相似性和空间上下文都很重要。两个真实世界的高光谱数据集的实验结果表明，我们提出的方法提供了一个强大的分类性能。
2016-07-15 cs.CV
Unsupervised Change Detection in Hyperspectral Images using Feature Fusion Deep Convolutional Autoencoders
双时共配准高光谱图像中的二值变化检测是一项具有挑战性的任务，由于大量的光谱波段中存在的数据。因此，研究人员试图通过减少维度来处理它。所提出的工作旨在建立一个新的特征提取系统，使用特征融合深度卷积自动编码器来检测一对这样的双时间共配准高光谱图像之间的变化。特征融合考虑了连续层次和多个感受野的特征，因此比现有的特征提取方法增加了竞争优势。所描述的变化检测技术是完全无监督的，并且比其他需要一些标签信息的监督或半监督方法更优雅。不同的方法已被应用到提取的特征，以找到在两个图像中的变化，它被发现，所提出的方法显然优于最先进的方法在所有的数据集的无监督变化检测。
2021-09-10 cs.CV cs.LG
Addressing Annotation Scarcity in Hyperspectral Brain Image Segmentation with Unsupervised Domain Adaptation
Technical University of Munich, Munich, Germany（慕尼黑技术大学）；Department of Computing, Imperial College London, London, UK（伦敦帝国学院计算机系）；Munich Center for Machine Learning (MCML), Munich, Germany（慕尼黑机器学习中心（MCML））
针对高光谱脑图像分割中标签稀缺阻碍监督训练的问题，提出结合少量专家标注数据与未标记数据的无监督域自适应深度学习框架，其性能显著优于现有方法，验证了域自适应在相关任务中的有效性。
2025-08-23 cs.CV q-bio.QM
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。
2021-11-13 cs.CV cs.GR eess.IV
Spatial gradient consistency for unsupervised learning of hyperspectral demosaicking: Application to surgical imaging
高光谱成像有可能改善术中决策，如果组织表征进行实时和高分辨率。高光谱快照镶嵌传感器提供了一个很有前途的方法，由于其快速的采集速度和紧凑的尺寸。然而，需要一个去马赛克算法来完全恢复快照图像的空间和光谱信息。大多数最先进的去马赛克算法需要具有成对快照和高分辨率高光谱图像的地面实况训练数据，但是在术中设置中物理上不可能获得具有完全相同场景的这种图像对。在这项工作中，我们提出了一个完全无监督的高光谱图像去马赛克算法，只需要样本快照图像用于训练目的。我们将高光谱去马赛克视为一个不适定的线性逆问题，我们使用深度神经网络解决该问题。我们利用自然场景中发生的光谱相关性，设计了一种新的光谱带间正则化项的基础上空间梯度的一致性。通过将我们提出的项与标准正则化技术相结合，并利用标准数据保真度项，我们获得了一个用于训练深度神经网络的无监督损失函数，这使我们能够实现实时高光谱图像去马赛克。在高光谱图像数据集上的定量结果表明，我们的无监督去马赛克方法可以实现类似的性能，其监督的部分，并显着优于线性去马赛克。对真实快照高光谱手术图像的定性用户研究证实了定量分析的结果。我们的研究结果表明，所提出的无监督算法可以实现有前途的高光谱去马赛克的实时，从而提高了适用性的方式术中使用。
2023-02-21 cs.CV cs.LG eess.IV
SuperPCA: A Superpixelwise PCA Approach for Unsupervised Feature Extraction of Hyperspectral Imagery
Harbin Institute of Technology（哈尔滨工业大学）；Wuhan University（武汉大学）；University of Central Florida（中佛罗里达大学）；China University of Geosciences（中国地质大学）
作为一种无监督的降维方法，主成分分析（PCA）被广泛认为是高光谱图像处理和分析任务中一种高效的预处理步骤。它将每个波段作为一个整体，从全局上提取最具代表性的波段。然而，不同的均匀区域对应不同的物体，其光谱特征是不同的。对整个HSI进行统一投影降维显然是不合适的。在本文中，一个简单的，但非常有效的超像素PCA方法，称为SuperPCA，提出了学习的内在低维特征的HSIs。与经典PCA模型相比，SuperPCA具有四个主要特性。(1)与传统的基于整幅图像的PCA方法不同，SuperPCA考虑了不同同质区域的多样性，即不同区域应该有不同的投影。(2)传统的特征提取模型不能直接利用HSI的空间信息，而SuperPCA通过超像素分割将空间上下文信息融入到无监督降维中。(3)由于超像素分割得到的区域具有同质性，因此SuperPCA即使在噪声下也可以提取潜在的低维特征。(4)虽然SuperPCA是一种无监督的方法，但与有监督的方法相比，它可以实现具有竞争力的性能。由此产生的功能是歧视性的，紧凑的，抗噪声，从而提高HSI分类性能。在三个公开数据集上的实验表明，SuperPCA模型在HSI分类中的性能明显优于传统的基于PCA的降维基线。Matlab源代码可在www.example.com上获得
2018-09-15 cs.CV
Unsupervised Spatial-spectral Network Learning for Hyperspectral Compressive Snapshot Reconstruction
Nanjing University of Information Science and Technology（南京信息工程大学）；National University of Singapore（新加坡国立大学）
高光谱压缩成像利用压缩感知理论，无需时间扫描即可实现编码孔径快照测量，在单个积分周期内通过二维投影获取整个三维空间-光谱数据。其核心问题是如何利用压缩感知重建算法重建底层高光谱图像。由于不同光谱成像设备的光谱响应特性和波长范围的差异，以前的工作往往不足以捕捉复杂的光谱变化或缺乏对新的高光谱成像仪的适应能力。为了解决这些问题，我们提出了一个无监督的空间光谱网络重建高光谱图像只从压缩快照测量。所提出的网络作为一个条件生成模型的条件下的快照测量，它利用空间光谱注意模块来捕捉联合空间光谱相关的高光谱图像。通过对网络参数的优化，使网络输出与给定的快照测量值紧密匹配，从而使网络能够适应不同的成像设置，增强了网络的适用性。在多个数据集上的大量实验表明，我们的网络可以实现比最先进的方法更好的重建结果。
2021-07-31 cs.CV eess.IV
Supervised and Unsupervised Textile Classification via Near-Infrared Hyperspectral Imaging and Deep Learning
JOANNEUM RESEARCH Forschungsgesellschaft mbH, DIGITAL（JOANNEUM RESEARCH 研究公司，DIGITAL）；Graz University of Technology, Institute of Experimental Physics（格拉茨技术大学，实验物理研究所）
本文研究近红外高光谱成像结合监督与无监督深度学习模型用于纺织品纤维分类，验证了优化CNN和自编码器在不同纺织品结构上的泛化能力，为可持续纺织品回收提供了准确稳健的分类方案。
2025-05-06 cs.CV physics.app-ph
Improved Hyperspectral Anomaly Detection via Unsupervised Subspace Modeling in the Signed Cumulative Distribution Transform Domain
Amentum；Tekla Research；U.S. Naval Research Laboratory（美国海军研究实验室）
针对高光谱异常检测面临的环境复杂、先验知识有限的问题，提出基于SCDT域无监督子空间建模的新方法，在五个数据集上性能优于现有最先进方法。
2025-09-30 cs.CV eess.SP
Segmented and Non-Segmented Stacked Denoising Autoencoder for Hyperspectral Band Reduction
Innopolis University（因诺波利斯大学）；Normal University（师范大学）
高光谱图像分析通常需要选择信息量最大的波段，而不是在不丢失关键信息的情况下处理整个数据。现有的频带缩减（BR）方法有能力揭示数据中表现出的非线性特性，但以失去其原始表示为代价。针对这一问题，提出了一种基于无监督非线性分段和非分段堆叠去噪自动编码器（UDAE）的BR方法。我们的目标是找到一个最佳的映射，并构建一个低维空间，具有类似的结构，以最小的重建误差的原始数据。该方法首先将原始高光谱数据在空间域中分解成较小的区域，然后对每个区域分别进行UDAE处理。这导致BR对于半监督和无监督任务（即分类和聚类）的复杂性降低和效率提高。我们的实验上公开可用的高光谱数据集与各种类型的分类器证明了UDAE方法的有效性，相当于有利的其他国家的最先进的降维和BR方法。
2018-04-22 cs.CV
Unsupervised Diffusion and Volume Maximization-Based Clustering of Hyperspectral Images
Tufts University（塔夫茨大学）；City University of Hong Kong（香港城市大学）；Conservation Research Institute, University of Cambridge（剑桥大学保护研究所）；University of Cambridge（剑桥大学）；Wake Forest University（维克森林大学）
从飞机或卫星上拍摄的高光谱图像包含来自数百个光谱带的信息，其中隐藏着潜在的低维结构，可用于对植被和其他材料进行分类。使用高光谱图像的缺点是，由于光谱和空间分辨率之间的固有权衡，它们具有相对粗糙的空间尺度，这意味着单个像素可能对应于包含多种材料的空间区域。本文介绍了基于扩散和体积最大化的图像聚类（D-VIC）算法的无监督材料聚类，以解决这个问题。通过直接将像素纯度纳入其标记过程中，D-VIC为对应于仅包含单一材料的空间区域的像素提供更大的权重。D-VIC的表现优于可比的国家的最先进的方法在广泛的实验上的一系列高光谱图像，包括土地利用地图和高度混合的森林健康调查（在灰枯梢病的背景下），这意味着它是装备精良的光谱混合高光谱数据集的无监督材料聚类。
2023-02-19 cs.CV cs.LG stat.AP
Unsupervised detection of ash dieback disease (Hymenoscyphus fraxineus) using diffusion-based hyperspectral image clustering
Tufts University（塔夫茨大学）；University of Cambridge（剑桥大学）；City University of Hong Kong（香港城市大学）；Wake Forest University（维克森林大学）
灰枯梢病（Hymenoscyphus fraxineus）是一种引入的真菌疾病，导致欧洲各地的灰树普遍死亡。遥感高光谱图像编码丰富的结构，已被用于检测灰树枯死疾病，使用监督机器学习技术。然而，要了解森林规模的森林健康状况，需要准确的无监督方法。本文探讨了使用无监督扩散和VCA辅助图像分割（D-VIS）聚类算法检测灰枯梢病在英国剑桥附近的森林网站。在这项工作中提出的无监督聚类与该场景上以前工作的监督分类有很高的重叠（总体准确率= 71%）。因此，无监督学习可用于灰枯梢病的远程检测，而不需要专家标记。
2022-04-19 cs.CV cs.LG stat.AP
ESW Edge-Weights : Ensemble Stochastic Watershed Edge-Weights for Hyperspectral Image Classification
BITS Pilani K K Birla Goa Campus（比尔拉科学技术学院K·K·比拉尔果阿校区）；APPCAIR centre（APPCAIR中心）
高光谱图像分类是一个非常活跃的研究课题。HSI分类的主要挑战之一是缺乏可靠的标记样本。提出了各种半监督和无监督分类方法来处理少量的标记样本。其中最主要的是图卷积网络（GCN）及其变体。这些方法利用图结构进行半监督和无监督分类。虽然这些方法中有几种隐式地构造边权重，但据我们所知，没有做太多的工作来显式地估计边权重。在本文中，我们显式地估计边权重，并将其用于下游分类任务-半监督和无监督。所提出的边权重基于两个关键的见解-（a）集成减少方差和（b）HSI数据集中的类和特征相似性只有片面的影响。也就是说，虽然相同的类将具有相似的特征，但相似的特征不一定意味着相同的类。利用这些，我们估计的边缘权重使用集合的分水岭在子样本的功能。这些边缘权重被评估用于半监督和无监督分类任务。半监督任务的评估使用基于随机游走的方法。对于无监督的情况，我们使用一个简单的过滤器，使用图卷积网络（GCN）。在这两种情况下，所提出的边缘权重优于传统的方法来计算边缘权重-欧几里德距离和余弦相似性。令人着迷的是，使用所提出的边权重，最简单的GCN获得了与最近最先进的结果相当的结果。
2022-02-28 cs.CV
Unsupervised Portrait Shadow Removal via Generative Priors
HKUST（香港科技大学）
肖像图像通常会受到不经意的物体甚至脸部本身投射的不良阴影的影响。虽然现有的人像阴影去除方法需要在大规模的合成数据集上进行训练，但我们提出了第一种无需任何训练数据的人像阴影去除无监督方法。我们的关键思想是利用嵌入在现成的预训练StyleGAN 2中的生成面部先验。为了实现这一点，我们制定的阴影去除任务作为一个层分解问题：阴影的肖像图像构建的阴影图像和阴影的图像的混合。我们提出了一个有效的渐进优化算法来学习分解过程。我们的方法也可以扩展到肖像纹身去除和水印去除。在真实世界人像阴影数据集上的定性和定量实验表明，我们的方法实现了与监督阴影去除方法相当的性能。我们的源代码可在https://github.com/YingqingHe/Shadow-Removal-via-Generative-Priors上获得。
2021-08-07 cs.CV
Unbalanced Optimal Transport Dictionary Learning for Unsupervised Hyperspectral Image Clustering
本文提出利用不平衡最优传输字典学习方法，通过低维表示和光谱聚类实现超光谱图像的无监督聚类。
2026-03-10 cs.CV cs.LG math.ST
Unsupervised multi-branch Capsule for Hyperspectral and LiDAR classification
Yunnan Minzu University（云南民族大学）
随着遥感数据的方便获取，如何建立模型来解译复杂的遥感数据引起了广泛的关注。在遥感数据中，高光谱图像包含光谱信息，LiDAR包含高程信息。因此，如何更好地融合不同源数据的特征，还有待于进一步的探索。本文引入语义理解，动态融合两个不同来源的数据，通过不同的胶囊网络分支提取HSI和LiDAR的特征，并将Canonical Capsule中的自监督丢失和随机刚性旋转改进到高维情况。Canonical Capsule通过置换等变注意力计算对象的胶囊分解，并且通过训练随机旋转对象对来自我监督该过程。通过语义理解融合HSI和LiDAR的特征，实现了光谱-空间-高程融合特征的无监督提取。通过HSI和LiDAR两个真实场景的融合实验，验证了多分支高维规范胶囊算法对HSI和LiDAR语义理解的有效性。实验结果表明，该模型可以有效地提取HSI和LiDAR数据特征，而不是现有的多源遥感数据的无监督提取模型。
2022-11-08 cs.AI cs.CV
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。
2022-07-22 cs.CV eess.IV
Consistency as Regularization for Unsupervised Shadow Removal
La Rochelle University（拉罗谢尔大学）
该研究提出无监督阴影去除框架ShadowCLR，利用带阴影图像间的一致性作为正则化，在多个基准上取得优于现有无监督方法的性能，无需阴影掩码或无阴影参考图像。
2026-09-03 cs.CV
Generalized Unsupervised Clustering of Hyperspectral Images of Geological Targets in the Near Infrared
Caltech（加州理工学院）
随着数据变得更容易获得和成本效益，红外超光谱图像在地质问题中的应用越来越普遍。对光谱相似的材料进行聚类和分类通常是从地球上的经济矿物勘探到火星上的行星探索等应用的第一步。由专业开发的光谱参数指导的半手动分类可能耗时且有偏差，而监督方法需要大量标记数据并且难以推广。在这里，我们开发了一个完全无监督的工作流程，由专家光谱地质学家输入和定量指标提供信息的特征提取和聚类。我们的管道使用轻量级的自动编码器，然后使用高斯混合建模来映射任何图像中的光谱多样性。我们使用阿曼蛇绿岩钻孔岩芯的专家标记数据验证了我们的管道在亚毫米级的性能，并使用火星上Jezero Crater（Perseverance探测器的着陆点）的部分分类轨道数据评估了米级的性能。我们还研究了在传统的高光谱图像分析中使用的各种预处理技术的效果。这条管道提供了一个快速和准确的聚类图类似的地质材料和一致的识别和分离实验室图像和遥感图像的主要矿物类别。我们将我们的管道称为“矿物光谱无监督聚类的通用管道（Gypsum）”。"
2021-06-24 cs.CV eess.IV
Unsupervised Hyperspectral and Multispectral Image Blind Fusion Based on Deep Tucker Decomposition Network with Spatial-Spectral Manifold Learning
School of Computer Science and Engineering, Nanjing University of Science and Technology (NJUST)（南京理工大学计算机科学与工程学院）；Geological Exploration Technology Institute of Jiangsu Province（江苏省地质勘查技术院）；Jiangsu Province Engineering Research Center of Airborne Detecting and Intelligent Perceptive Technology（江苏省机载探测与智能感知技术工程研究中心）
提出基于深度Tucker分解网络与空间光谱流形学习的无监督盲融合方法（DTDNML），解决高光谱与多光谱图像融合中退化参数未知及特征利用不足问题，提升融合精度与效率。
2024-09-19 cs.CV eess.IV
DiffUCD:Unsupervised Hyperspectral Image Change Detection with Semantic Correlation Diffusion Model
Xidian University（西安电子科技大学）；University of Leicester（莱斯特大学）
本文提出无监督高光谱图像变化检测方法DiffUCD，结合语义相关扩散模型（SCDM）缓解成像条件不一致导致的伪变化，并引入跨时相对比学习（CTCL）对齐未变化样本特征，在多项指标上显著优于现有无监督方法，媲美全监督方法。
2023-05-21 cs.CV
Unsupervised Spatial-spectral Hyperspectral Image Reconstruction and Clustering with Diffusion Geometry
City University of Hong Kong（香港城市大学）；Hong Kong Centre for Cerebro-Cardiovascular Health Engineering（香港脑心血管健康工程中心）；Tufts University（塔夫茨大学）；Wake Forest University（维克森林大学）
高光谱图像是自然科学和社会科学的重要数据源，它存储了上百个或更多的光谱波段。高光谱图像通常以相对粗糙的空间分辨率大量生成。因此，需要在高光谱图像中结合已知结构的无监督机器学习算法来自动分析这些图像。本文介绍了空间光谱图像重建和扩散几何聚类（DSIRC）算法，用于分割高度混合的高光谱图像。DSIRC通过形状自适应重建过程降低测量噪声。特别是，对于每个像素，DSIRC定位光谱相关的像素内的数据自适应的空间邻域和重建像素的光谱特征使用其邻居。然后，DSIRC将高密度、高纯度像素定位在远离其他高密度、高纯度像素的扩散距离（一种依赖于数据的距离度量）上，并将这些像素视为聚类样本，为每个像素提供唯一的标签。非模态像素被分配其扩散距离的标签-已经标记的具有更高密度和纯度的最近邻。强有力的数值结果表明，通过图像重建的空间信息，大大提高了性能的像素级聚类。
2022-04-28 cs.CV cs.LG stat.AP
Deep Spatially-Regularized and Superpixel-Based Diffusion Learning for Unsupervised Hyperspectral Image Clustering
Tufts University（塔夫茨大学）
本文提出一种结合掩码深度表征学习与扩散聚类的无监督超光谱图像聚类框架，通过改进的空间正则化超像素扩散学习算法，提升聚类质量。
2026-04-14 cs.CV cs.LG
SHARE: A Fully Unsupervised Framework for Single Hyperspectral Image Restoration
School of Mathematical and Computer Sciences, Heriot-Watt University（数学与计算机科学学院，赫里奥特-瓦特大学）；School of Engineering, University of Edinburgh（工程学院，爱丁堡大学）
SHARE提出了一种完全无监督的单超光谱图像恢复框架，结合几何等变原理和低秩光谱建模，无需地面真实数据，通过自监督信号和动态自适应光谱注意力模块提升恢复性能。
2026-01-20 cs.CV eess.IV
Unsupervised Tomato Split Anomaly Detection using Hyperspectral Imaging and Variational Autoencoders
University of Lincoln（林肯大学）
针对温室番茄裂果异常检测中外观多变和数据稀缺的挑战，提出一种基于高光谱成像和定制变分自编码器的无监督检测方法，在530-550nm波段下实现97%准确率并定位异常区域。
2025-04-28 cs.AI cs.CV
Fast Noise Removal in Hyperspectral Images via Representative Coefficient Total Variation
Southwest University（西南大学）；China West Normal University（西华师范大学）
挖掘数据中的结构性先验信息是一种被广泛认可的高光谱图像去噪技术，其典型方法包括基于模型的方法和基于数据的方法。基于模型的方法具有较好的泛化能力，但由于HSI数据$ \mathbf{X} \in \mathbb{R}^{MN\times B}$的规模较大，运行时无法满足实际情况的快速处理要求。对于基于数据的方法，一旦经过训练，它们在新的测试数据上执行得非常快。然而，他们的泛化能力总是不够的。在本文中，我们提出了一种快速的基于模型的HSI去噪方法。具体来说，我们提出了一种新的正则化命名为代表系数全变差（RCTV），同时表征低秩和局部光滑的性质。RCTV正则化子是基于对原始HSI $\mathbf{X}$进行正交变换得到的代表系数矩阵$\mathbf{U}\in\mathbb{R}^{MN\times R} (R\ll B)$能够继承$\mathbf{X}$的强局部光滑先验的观察而提出的。由于$R/B$非常小，基于RCTV正则化子的HSI去噪模型具有较低的时间复杂度。此外，我们发现代表系数矩阵$\mathbf{U}$对噪声具有鲁棒性，因此RCTV正则化器可以在一定程度上提高HSI去噪模型的鲁棒性。大量的混合噪声去除实验表明，该方法在去噪性能和去噪速度方面都优于其他国家的最先进的方法。值得注意的是，我们提出的方法的去噪速度优于所有基于模型的技术，并且与基于深度学习的方法相当。
2022-11-03 cs.CV eess.IV
Unsupervised Alternating Optimization for Blind Hyperspectral Imagery Super-resolution
Northwestern Polytechnical University（西北工业大学）
尽管高光谱图像（HSI）超分辨率（SR）的深度模型在模拟数据上取得了巨大的成功，但大多数方法在应用于实际数据时效果并不理想，特别是对于无监督的HSI SR方法。其中一个主要原因是大多数HSI SR方法所使用的预定义退化模型（例如空间域模糊）往往与真实模型存在很大差异，这导致这些深度模型过拟合并最终降低其在真实数据上的性能。为了很好地缓解这样的问题，我们探索了无监督的盲HSI SR方法。具体而言，我们研究如何有效地获得退化模型在空间和谱域，分别，并使它们能够很好地兼容基于融合的SR重建模型。为此，我们首先提出了一种基于交替优化的深度框架来估计退化模型和重建潜像，退化模型估计和HSI重建可以相互促进。然后，进一步提出了一种基于元学习的机制来预训练网络，可以有效提高网络的速度和适应不同复杂退化的泛化能力。三个基准HSI SR数据集上的实验报告了所提出的方法在处理盲HSI融合问题上优于其他竞争方法。
2020-12-03 cs.CV eess.IV
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。
2021-08-18 cs.CV eess.IV
FASR-Net: Unsupervised Shadow Removal Leveraging Inherent Frequency Priors
Faculty of Information Engineering and Automation, Kunming University of Science and Technology（昆明理工大学信息工程与自动化学院）；College of Mechatronics and Control Engineering, Shenzhen University（深圳大学机电与控制工程学院）
本文提出无监督频率感知阴影去除网络FASR-Net，利用小波注意力下采样模块和多种新损失函数提升阴影去除效果，在AISTD和SRD数据集上取得优越性能。
2025-04-08 cs.CV
Coupled Convolutional Neural Network with Adaptive Response Function Learning for Unsupervised Hyperspectral Super-Resolution
Key Laboratory of Digital Earth Science, Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院空天信息创新研究院数字地球科学重点实验室）；Flemish Institute for Technological Research (VITO)（弗拉芒技术研究院）；IMEC Research Group, Ghent University（根特大学IMEC研究组）；Remote Sensing Technology Institute (IMF), German Aerospace Center (DLR)（德国航空航天中心遥感技术研究所）
由于高光谱成像系统的局限性，高光谱图像的空间分辨率往往很低，从而阻碍了图像的许多应用。高光谱超分辨率是指融合HSI和MSI以生成具有高空间分辨率和高光谱分辨率的图像。近年来，提出了一些新的融合方法来解决这一问题，这些方法大多假设点扩散函数（PSF）和谱响应函数（SRF）的先验信息是已知的。然而，在实践中，这种信息往往有限或无法获得。在这项工作中，提出了一种基于无监督深度学习的融合方法- HyCoNet -可以解决在没有先验PSF和SRF信息的情况下HSI-MSI融合中的问题。HyCoNet由三个耦合的自动编码器网络组成，其中HSI和MSI基于线性解混模型被解混成端元和丰度。两个特殊的卷积层被设计成与三个自动编码器网络协调的桥梁，并且在训练过程中在两个卷积层中自适应地学习PSF和SRF参数。此外，在联合损失函数的驱动下，所提出的方法是简单的，并且易于以端到端的训练方式实现。实验结果表明，该方法对不同的数据集、任意的PSF和SRF都能得到较好的结果。
2020-07-28 cs.CV eess.IV
Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral Super-Resolution
Remote Sensing Technology Institute, German Aerospace Center（德国航空航天中心遥感技术研究所）；Technical University of Munich（慕尼黑工业大学）；Univ. Grenoble Alpes, INRIA, CNRS, Grenoble INP, LJK（格勒诺布尔阿尔卑斯大学、法国国家信息与自动化研究所、法国国家科学研究中心、格勒诺布尔理工学院、LJK实验室）；Macau University of Science and Technology（澳门科技大学）
近年来，深度学习技术在高光谱图像超分辨率（HSI-SR）方面取得了很大进展。然而，无监督深度网络的开发仍然是这项任务的挑战。为此，我们提出了一种新的耦合解混网络与交叉注意机制，CUCaNet为短，以提高空间分辨率的HSI的空间分辨率，通过更高的空间分辨率的多光谱图像（MSI）。受耦合频谱解混的启发，采用双流卷积自动编码器框架作为骨干，将MS和HS数据联合分解为频谱有意义的基础和相应的系数。CUCaNet能够通过对网络实施合理的一致性假设，自适应地从HS-MS对应关系中学习光谱和空间响应函数。此外，设计了一个交叉注意模块，以产生更有效的空间光谱信息传输的网络。在三个广泛使用的HS-MS数据集上进行了大量的实验，并与最先进的HSI-SR模型进行了比较，证明了CUCaNet在HSI-SR应用中的优越性。此外，代码和数据集将在https://github.com/danfenghong/ECCV2020_CUCaNet上提供。
2020-08-01 cs.CV eess.IV
Unsupervised Hyperspectral Image Super-Resolution via Self-Supervised Modality Decoupling
Institute of Mathematics, Physics and Computer Science, Aberystwyth University（数学、物理与计算机科学学院，阿伯里斯特维斯大学）
本文提出一种自监督模态解耦框架，通过解耦模态共享与互补信息，提升超分辨率性能，实验表明其在多个数据集上优于现有方法，参数更少，推理更快。
2026-03-24 cs.CV eess.IV
Model Inspired Autoencoder for Unsupervised Hyperspectral Image Super-Resolution
Jiangnan University（江南大学）；Nanjing University of Science and Technology（南京理工大学）
本文主要研究高光谱图像超分辨率技术，旨在融合低空间分辨率的高光谱图像和高空间分辨率的多光谱图像，形成高空间分辨率的高光谱图像。现有的基于深度学习的方法大多是有监督的，依赖于大量的标记训练样本，这是不现实的。常用的基于模型的方法是无监督和灵活的，但依赖于手工先验。受模型特定属性的启发，我们首次尝试以无监督的方式设计一个模型启发的深度网络用于HSI超分辨率。这种方法由一个建立在目标HR-HSI上的隐式自动编码器网络组成，该网络将每个像素视为一个单独的样本。将目标HR-HSI的非负矩阵分解（NMF）集成到自动编码器网络中，其中两个NMF部分，频谱和空间矩阵，分别被视为解码器参数和隐藏输出。在编码阶段，我们提出了一个像素级的融合模型，直接估计隐藏输出，然后重新制定和展开模型的算法，形成编码器网络。通过特定的结构，所提出的网络类似于基于流形先验的模型，并且可以逐块而不是整幅图像进行训练。此外，我们提出了一个额外的无监督网络来估计点扩散函数和光谱响应函数。在合成数据集和真实数据集上的实验结果表明了该方法的有效性。
2021-10-22 cs.CV eess.IV
Unsupervised Hyperspectral Pansharpening via Low-rank Diffusion Model
School of Mathematics and Statistics（数学与统计学院）；School of Computer Science and Technology（计算机科学与技术学院）；College of Artificial Intelligence（人工智能学院）
提出低秩扩散模型用于无监督高光谱全色锐化，通过低秩张量分解结合预训练扩散模型与贝叶斯方法，在无需配对数据的情况下提升了图像恢复质量与泛化能力。
2023-11-19 cs.CV eess.IV
Cross-View-Prediction: Exploring Contrastive Feature for Hyperspectral Image Classification
Soochow University（苏州大学）；Imperial College London（帝国理工学院）；Zhejiang University（浙江大学）
针对高光谱图像分类，本文提出Cross-View-Prediction自监督方法，通过跨通道预测构建双视图并以对比学习优化互信息与条件熵，结合SVM达到无监督分类最先进性能。
2024-12-04 cs.CV
DC-ShadowNet: Single-Image Hard and Soft Shadow Removal Using Unsupervised Domain-Classifier Guided Network
National University of Singapore（新加坡国立大学）；Yale-NUS College（耶鲁-新加坡国立大学学院）
本文提出无监督域分类器引导网络DC-ShadowNet，通过域分类器、新型损失函数和测试时训练，实现单图像硬阴影与软阴影的高质量去除。
2023-08-05 cs.CV
UnmixingSR: Material-aware Network with Unsupervised Unmixing as Auxiliary Task for Hyperspectral Image Super-resolution
针对现有高光谱图像超分辨率方法仅学习高低分辨率映射导致病态问题求解可靠性不足的问题，提出UnmixingSR网络，以无监督高光谱解混为辅助任务利用丰度约束提升稳定性，且可即插即用嵌入现有模型，实验验证其性能优异。
2024-07-09 cs.CV eess.IV
Unsupervised and Unregistered Hyperspectral Image Super-Resolution with Mutual Dirichlet-Net
University of Tennessee（田纳西大学）；Applied Research LLC（应用研究有限责任公司）；RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔国立理工学院）
高光谱图像（HSI）提供了丰富的光谱信息，有助于许多计算机视觉任务的成功性能提高。然而，这只能以牺牲图像的空间分辨率为代价。高光谱图像超分辨率（HSI-SR）通过融合低分辨率（LR）HSI和具有更高空间分辨率（HR）的多光谱图像（MSI）来解决这个问题。所有现有的HSI-SR方法都要求LR HSI和HR MSI被很好地配准，并且HR HSI的重建精度在很大程度上依赖于不同模态的配准精度。本文利用未知的问题域的HSI-SR没有多模态配准的要求。考虑到未注册的LR HSI和HR MSI具有重叠区域，我们设计了一个独特的无监督学习结构，通过将它们通过相同的编码器投影到相同的统计空间来连接这两个未注册的模态。进一步采用互信息（MI）来捕获来自两个模态（携带空间信息）的表示与它们的原始输入之间的非线性统计依赖性。通过最大化MI，可以很好地表征不同模态之间的空间相关性，以进一步减少频谱失真。采用协作的$l_{2,1}$范数而不是更常见的$l_2$范数作为重建误差，使得可以尽可能准确地恢复各个像素。通过这种设计，网络允许从未注册的图像中提取相关的光谱和空间信息，从而更好地保留光谱信息。所提出的方法被称为未注册和无监督的相互狄利克雷网（$u^2$ -MDN）。使用基准HSI数据集的大量实验结果表明，与现有技术相比，$u^2$ -MDN具有优异的性能。
2021-08-02 cs.CV eess.IV
Unsupervised adulterated red-chili pepper content transformation for hyperspectral classification
Khwaja Freed University of Engineering and Technology（赫瓦贾·弗里德工程技术大学）
辣椒品质的保持至关重要，对辣椒品质的检测、分级和杂质的预防是辣椒品质管理的重要内容。例如，盐，小麦粉，麦麸和米糠污染的地面红辣椒，这通常是一种食物，对那些对这些物品过敏的人来说是一个严重的威胁。本工作提出了利用可见光和近红外（VNIR）高光谱成像（HSI）检测和分类红辣椒中的上述掺假物的可行性。然而，掺假红辣椒数据标注是分类的一大挑战，因为获取用于实时监督学习的标记数据在成本和时间方面都很昂贵。因此，这项研究，首次提出了一种新的方法来注释红辣椒样品使用聚类机制在500 nm波长的光谱响应，由于其黑暗的外观在指定的波长。然后利用单类支持向量机对光谱样本进行分类。对纯掺假品和红辣椒的分类性能达到99%，而对掺假样品的分类性能达到85%。我们进一步研究，单一的分类模型是足以检测任何外来物质的红辣椒，而不是级联多PLS回归模型。
2019-11-09 cs.CV eess.IV
Unsupervised Hyperspectral and Multispectral Images Fusion Based on the Cycle Consistency
Northwestern Polytechinical University（西北工业大学）；Heriot Watt University（赫瑞瓦特大学）
本文提出基于循环一致性的无监督高光谱与多光谱图像融合模型CycFusion，通过域变换学习将高空间分辨率HSI作为中间特征图，并嵌入估计的PSF和SRF作为预训练权重，在多个数据集上优于现有无监督融合方法。
2023-07-07 cs.CV eess.IV
Unsupervised Shadow Removal Using Target Consistency Generative Adversarial Network
Chongqing University of Technology（重庆理工大学）
无监督阴影去除的目的是学习一个非线性函数，在没有成对的阴影和非阴影数据的情况下，将原始图像从阴影域映射到非阴影域。在本文中，我们开发了一个简单而有效的目标一致性生成对抗网络（TC-GAN）的阴影消除任务，在无监督的方式。与基于周期一致性GAN的阴影去除方法中的双向映射相比，TC-GAN试图学习单侧映射，以将阴影图像投射到无阴影图像。提出的目标一致性约束，阴影图像和输出的无阴影图像之间的相关性被严格限制。大量的对比实验结果表明，TC-GAN在FID和KID方面分别比最先进的无监督阴影去除方法高出14.9%和31.5%。值得注意的是，TC-GAN实现了与监督阴影去除方法相当的性能。
2021-05-30 cs.CV eess.IV
Unsupervised Eyeglasses Removal in the Wild
眼镜移除在移除不同种类的眼镜时是具有挑战性的，例如，无框眼镜、全框眼镜和太阳镜，以及恢复合适的眼睛。由于大的视觉变量，传统的方法缺乏可扩展性。现有的研究大多集中在实验室等受控环境下的正面人脸图像，需要针对不同的人脸类型设计特定的系统。为了解决这个问题，我们提出了一个统一的眼镜去除模型，称为眼镜去除生成对抗网络（ERGAN），它可以处理不同类型的眼镜在野外。该方法不依赖于眼镜位置的密集注释，但受益于大规模的人脸图像与弱注释。具体来说，我们同时研究两个相关的任务，即，戴上眼镜和摘下眼镜。给定两张戴眼镜和不戴眼镜的人脸图像，该模型学习交换两张人脸的眼睛区域。生成机制集中在眼睛区域，并入侵的困难，产生一个新的脸。在实验中，我们表明，该方法实现了竞争力的去除质量方面的现实主义和多样性。此外，我们评估ERGAN的几个后续任务，如人脸验证和面部表情识别。实验表明，我们的方法可以作为这些任务的预处理方法。
2020-05-15 cs.CV
Unsupervised Network for Single Image Raindrop Removal
Wuhan University（武汉大学）；National University of Singapore (NUS)（新加坡国立大学）；A*STAR（新加坡科技研究局）
针对监督式雨滴去除依赖难获取成对图像的问题，提出基于循环架构与反馈机制的无监督网络，仅用非配对图像即可分离雨滴并恢复干净背景。
2024-12-04 cs.CV
Hyperspectral Remote Sensing Benchmark Database for Oil Spill Detection with an Isolation Forest-Guided Unsupervised Detector
Hunan University（湖南大学）；Helmholtz-Zentrum Dresden-Rossendorf（亥姆霍兹德累斯顿罗森多夫研究中心）；Helmholtz Institute Freiberg for Resource Technology（亥姆霍兹弗赖贝格资源技术研究所）
针对高光谱溢油检测需大量标注数据的问题，提出基于孤立森林的无监督方法，经波段筛选、降维、伪标记生成及结果优化，在自建HOSD数据集上性能优于现有方法。
2022-09-28 cs.CV cs.LG
A novel filter based on three variables mutual information for dimensionality reduction and classification of hyperspectral images
ENSET, Mohammed V University（穆罕默德五世大学国立高等技术教育学院）
高光谱图像（HSI）包含同一区域（称为地面实况图）的一百多个波段（图像），其高维性通常给图像处理带来沉重的计算负担，并使学习过程变得复杂。实际上，去除不相关的、有噪声的和冗余的波段有助于提高分类精度。基于“互信息“的波段选择滤波器是一种常用的降维技术。本文根据评价过程对降维方法进行了分类。提出了一种新的基于三变量互信息的滤波方法，该方法不仅考虑了波段间的相关性，而且考虑了波段间的相互作用。所提出的方法进行了比较，再现滤波算法的基础上的互信息。在HSIAVIRIS 92 AV 3C上的实验结果表明，该方法具有很强的竞争力，有效性和优于复制过滤策略的性能。关键词-高光谱图像;分类;波段选择;三变量互信息;信息增益。
2022-10-26 cs.CV
