A Fusion-Guided Inception Network for Hyperspectral Image Super-Resolution
Department of Computer Science, Aalto University（艾尔沃斯大学计算机科学系）
本文提出融合引导Inception网络FGIN，通过光谱-空间融合、多尺度特征提取与优化上采样实现高光谱图像单图超分辨率，在公开数据集上取得竞争性性能。
2025-05-06 cs.CV
SMILE: A Super-resolution Guided Multi-task Learning Method for Hyperspectral Unmixing
Nankai University（南开大学）
针对高光谱解混中直接整合超分辨率面临的任务亲和性未验证和收敛性无法保证的挑战，本文提出超分辨率引导的多任务学习方法SMILE，通过理论分析与设计共享及特定表示框架，在保证收敛性的同时提升了解混性能。
2025-09-14 cs.CV
A Dual-Domain Convolutional Network for Hyperspectral Single-Image Super-Resolution
Center for Machine Vision and Signal Analysis, University of Oulu（机器视觉与信号分析中心，奥卢大学）；Department of Computer Science, Aalto University（计算机科学系，艾尔沃斯大学）
本文提出一种结合空间域和频域学习的轻量级双域超分辨率网络，通过小波变换和残差学习提升超光谱图像的分辨率。
2025-12-10 cs.CV
Accurate Spectral Super-resolution from Single RGB Image Using Multi-scale CNN
Northwestern Polytechnical University（西北工业大学）；Sun Yat-Sen University（中山大学）
与传统的高光谱超分辨率方法主要是提高图像的空间分辨率不同，光谱超分辨率方法的目标是从RGB观测数据中获得高分辨率的高光谱图像，并在光谱域实现超分辨率。然而，从每个像素处的三个离散强度值准确地重建高维连续光谱是具有挑战性的，因为在潜高光谱图像被下采样的过程期间丢失了太多信息（例如，比例因子为x10）在光谱域中产生RGB观察结果。为了解决这个问题，我们提出了一个多尺度深度卷积神经网络（CNN），以显式地将输入RGB图像映射到高光谱图像。通过对称下采样和上采样的中间特征图在级联范例，局部和非局部图像信息可以联合编码的光谱表示，最终提高光谱重建精度。在一个大型高光谱数据集上的实验证明了该方法的有效性。
2018-11-29 cs.CV
Super-Resolution for Hyperspectral and Multispectral Image Fusion Accounting for Seasonal Spectral Variability
Federal University of Santa Catarina（圣卡塔琳娜联邦大学）；Northeastern University（东北大学）；Catholic University of Pelotas（佩洛塔斯天主教大学）
图像融合结合来自不同异构源的数据以获得关于底层场景的更精确的信息。高光谱-多光谱（HS-MS）图像融合目前在遥感领域引起了人们的极大兴趣，因为它可以生成高空间分辨率的HS图像，从而规避了这种成像方式的主要限制。然而，现有的HS-MS融合算法忽略了在不同时刻获取的图像之间经常存在的光谱变化。由于不同的采集和季节条件，这一时间差导致底层组成材料的光谱特征发生变化。本文介绍了一种新的HS-MS图像融合策略，它结合了一个基于解混的配方与一个显式的参数模型，两个图像之间的典型光谱变化。仿真与合成和真实数据表明，所提出的策略导致显着的性能改善下的光谱变化和国家的最先进的性能，否则。
2019-07-02 cs.CV
Blind Hyperspectral-Multispectral Image Fusion via Graph Laplacian Regularization
University of Texas at Austin（得克萨斯大学奥斯汀分校）
将同一场景的低分辨率高光谱图像（HSI）和高分辨率多光谱图像（MSI）进行融合，得到空间和光谱信息丰富的超分辨率图像（SRI）。在本文中，我们超解析HSI使用图拉普拉斯定义的MSI。与许多现有的作品，我们不假设先验知识的空间退化从SRI到HSI，也没有一个完美的对齐HSI和MSI对。我们的算法逐渐交替之间找到模糊内核和融合HSI与MSI，产生准确的估计模糊内核和SRI的收敛。在不同数据集上的实验表明，该算法在融合质量和处理未知空间退化的能力方面具有优势。
2019-02-21 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
Super-résolution non supervisée d'images hyperspectrales de télédétection utilisant un entraînement entièrement synthétique
LTCI, Télécom Paris, Institut Polytechnique de Paris（LTCI，Telecom Paris，巴黎高等理工学院）
本文提出一种基于合成数据的无监督方法，用于提升遥感超光谱图像的空间分辨率，通过解混和神经网络训练实现有效重建。
2026-01-30 cs.CV eess.IV
USP-Mamba: Unmixing-Derived Spectral and Structural Prompting for Hyperspectral Image Super-Resolution
本文针对现有Mamba模型用于高光谱图像超分辨率时破坏空间邻接性、未对齐图像固有特征的问题，提出USP-Mamba框架，通过解混光谱提示、结构提示及互补扫描，在多数据集上性能优于现有方法。
2026-08-04 cs.CV
Cross-Domain Few-Shot Learning for Hyperspectral Image Classification Based on Mixup Foundation Model
School of Computer Science and IT, Adelaide University（阿德莱德大学计算机科学与信息技术学院）；Department of Informatics, Institut Teknologi Sepuluh Nopember（泗水理工学院信息学系）；University of Technology, Sydney, Australia（悉尼科技大学）；Faculty of Computer Science, University of Indonesia（印度尼西亚大学计算机科学学院）
本文提出MIFOMO模型，通过共聚投影和混合域适应解决跨领域少样本学习中的数据稀缺和领域差异问题，实验表明其性能优于现有方法14%。
2026-04-07 cs.AI cs.CV cs.LG
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。
2019-07-01 cs.CV eess.IV
DACN: Dual-Attention Convolutional Network for Hyperspectral Image Super-Resolution
Department of Computer Science, Aalto University（奥卢大学计算机科学系）
本文提出双注意力卷积网络DACN，通过融合多头注意力与通道-空间注意力并设计空间-光谱梯度损失，提升高光谱图像超分辨率性能。
2025-06-05 cs.CV eess.IV
Feedback Refined Local-Global Network for Super-Resolution of Hyperspectral Imagery
Tianjin University（天津大学）；Beihang University（北京航空航天大学）；Nankai University（南开大学）
随着深度学习技术的发展，基于卷积神经网络的多光谱图像超分辨率方法近年来取得了很大进展。然而，由于高光谱数据的高维、复杂光谱特性，难以同时获取空间信息和光谱信息，使得单幅高光谱图像的超分辨率处理成为一个具有挑战性的问题。为了解决这个问题，我们提出了一种新的反馈精化局部-全局网络（FRLGN）的超分辨率的高光谱图像。具体而言，我们提出了一种新的反馈结构和局部-全局谱块，以减轻空间和光谱特征提取的困难。反馈结构通过有限开折的递归结构实现高层信息的传递，指导底层特征的生成。此外，为了有效地利用高层信息传递回来，一个局部-全局谱块被构造来处理反馈连接。局部-全局谱块利用反馈的高层信息来校正来自局部谱带的低层特征，并在全局谱带之间生成强大的高层表示。通过引入反馈结构和局部-全局谱块，FRLGN可以充分利用光谱波段之间的空间-光谱相关性，逐步重建高分辨率的高光谱图像。FRLGN的源代码可在https://github.com/tangzhenjie/FRLGN上获得。
2022-01-10 cs.CV eess.IV
Spatial-Spectral Residual Network for Hyperspectral Image Super-Resolution
Northwestern Polytechnical University（西北工业大学）
基于深度学习的高光谱图像超分辨率（SR）方法近年来取得了巨大的成功。然而，现有的模型大多不能同时有效地探索波段间的空间信息和光谱信息，获得的性能相对较低。为了解决这个问题，在本文中，我们提出了一种新的光谱空间残差网络的高光谱图像超分辨率（SSRNet）。我们的方法可以通过使用3D卷积而不是2D卷积来有效地探索空间光谱信息，这使得网络能够更好地提取潜在的信息。此外，我们设计了一个频谱-空间残差模块（SSRM），通过局部特征融合，自适应地从单元中的所有层次特征中学习更多有效的特征，显着提高了算法的性能。在每个单元中，我们采用空间和时间可分离的三维卷积来提取空间和光谱信息，这不仅减少了无法负担的内存使用和高计算成本，而且使网络更容易训练。在三个基准数据集上的广泛评估和比较表明，与现有的最先进的方法相比，所提出的方法具有更好的性能。
2020-01-14 cs.CV eess.IV
Dual-Stage Approach Toward Hyperspectral Image Super-Resolution
Northwestern Polytechnical University（西北工业大学）；University of New South Wales（新南威尔士大学）
高光谱图像是以牺牲空间分辨率为代价获得高光谱分辨率的。在不降低光谱分辨率的情况下，提高空间域的分辨率是一个非常具有挑战性的问题。基于高光谱图像在大光谱范围内相邻波段间具有高度相似性这一发现，本文提出了一种新的高光谱图像超分辨率结构（DualSR），即双级设计，粗阶段和细阶段。在粗处理阶段，将一定光谱范围内相似度高的5个波段分为3组，引导当前波段进行潜在知识的学习。在交替光谱融合机制的作用下，对粗SR图像进行逐波段超分辨。为了从全局角度建模，在精细阶段提出了一种基于光谱角约束的增强反投影方法，用于学习空间-光谱一致性的内容，显著提高了性能增益。大量的实验证明了所提出的粗级和精级的有效性。此外，我们的网络在空间重建和光谱保真度方面产生了与现有作品相比最先进的结果。
2022-04-09 cs.CV eess.IV
HSRMamba: Efficient Wavelet Stripe State Space Model for Hyperspectral Image Super-Resolution
College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）
针对Visual Mamba一维扫描易产生伪影的问题，提出用于单幅高光谱图像超分辨率的HSRMamba模型，采用条纹扫描与小波分解优化，在效率和性能上均达SOTA。
2025-05-16 cs.CV eess.IV
Cross-Scope Spatial-Spectral Information Aggregation for Hyperspectral Image Super-Resolution
Wuhan University（武汉大学）；Hubei Luojia Laboratory（湖北珞珈实验室）
本文提出跨范围空间-光谱Transformer（CST），通过空间与光谱维度的交叉注意力机制有效捕获长程依赖，在三个高光谱数据集上实现了优于现有方法的超分辨率性能。
2023-11-29 cs.CV eess.IV
Deep Learning Approach for Hyperspectral Image Demosaicking, Spectral Correction and High-resolution RGB Reconstruction
Hypervision Surgical Ltd（Hypervision Surgical 有限公司）
高光谱成像是术中组织表征的最有前途的技术之一。快照镶嵌相机，它可以捕捉高光谱数据在一个单一的曝光，有可能使一个实时的高光谱成像系统的手术决策。然而，捕获的数据的最佳利用需要解决不适定的去马赛克问题，并应用额外的光谱校正来恢复图像的空间和光谱信息。在这项工作中，我们提出了一个基于深度学习的图像去马赛克算法的快照高光谱图像使用监督学习方法。由于缺乏公开可用的医学图像采集与快照马赛克相机，合成图像生成方法，提出了模拟快照图像从现有的医学图像数据集捕获的高分辨率，但速度慢，高光谱成像设备。图像重建使用卷积神经网络实现高光谱图像超分辨率，然后使用传感器特定的校准矩阵进行串扰和泄漏校正。所得到的去马赛克图像进行定量和定性评估，显示出明显的改善图像质量相比，基线去马赛克方法，使用线性插值。此外，我们的算法的~ 45 ms的快速处理时间，以获得超分辨率的RGB或氧合饱和度地图，每帧图像的国家的最先进的快照马赛克相机证明了其无缝集成到实时手术高光谱成像应用的潜力。
2021-09-03 cs.CV eess.IV
Learning Spatial-Spectral Prior for Super-Resolution of Hyperspectral Imagery
Harbin Institute of Technology（哈尔滨工业大学）；Wuhan University（武汉大学）
近年来，基于深度卷积神经网络（Deep Convolutional Neural Networks，DCNN）的先进机器学习技术在单灰度/RGB图像超分辨率重建任务中得到了广泛研究并取得了显著进展。然而，由于高光谱图像的高维和复杂的光谱模式，限制了单光谱图像超分辨率技术的发展。在本文中，我们通过研究如何适应最先进的残差学习为基础的单灰度/RGB图像超分辨率的方法，计算效率高的单高光谱图像超分辨率，简称SSPSR向前迈进了一步。具体来说，我们引入了一个空间光谱先验网络（SSPN），以充分利用空间信息和光谱之间的相关性的高光谱数据。考虑到高光谱训练样本的稀缺性和高光谱图像数据的光谱维数很高，训练一个稳定有效的深度网络是不平凡的。因此，提出了一种组卷积（具有共享网络参数）和渐进式上采样框架。这不仅可以缓解高光谱数据高维数给特征提取带来的困难，而且可以使训练过程更加稳定。为了充分利用空间和频谱的先验信息，我们设计了一个空间-频谱块（SSB），它包括一个空间残差模块和一个频谱注意残差模块。在高光谱图像上的实验结果表明，所提出的SSPSR方法增强了恢复的高分辨率高光谱图像的细节，并优于最先进的。源代码可从\url {https：//www.example.com}获得github.com/junjun-jiang/SSPSR
2020-05-24 cs.CV cs.LG cs.MM
Hyperspectral Image Super-resolution with Deep Priors and Degradation Model Inversion
CNRS（法国国家科学研究中心）；OCA（尼斯天文台）；Northwestern Polytechnical University（西北工业大学）
为了克服高光谱成像系统在空间分辨率方面固有的硬件限制，基于融合的高光谱图像超分辨率研究正受到越来越多的关注。该技术旨在融合低分辨率（LR）HSI和传统的高分辨率（HR）RGB图像，以获得HR HSI。最近，深度学习架构已被用于解决HSI超分辨率问题，并取得了显着的性能。然而，他们忽略了退化模型，即使这个模型有一个明确的物理解释，并可能有助于提高性能。我们解决这个问题，提出了一种方法，一方面，利用目标函数的数据保真度项的线性退化模型，另一方面，利用卷积神经网络的输出设计一个深先验正则化在光谱和空间梯度域。实验结果表明，该策略能有效提高系统的性能.
2022-01-24 cs.CV eess.IV
Onboard Hyperspectral Super-Resolution with Deep Pushbroom Neural Network
Department of Electronics and Telecommunications, Politecnico di Torino（电子电信系，都灵理工大学）
本文提出深度推扫超分辨率网络DPSR，通过逐行处理与因果记忆机制匹配高光谱传感器的推扫式采集，在低功耗星载硬件上实现实时超分辨率，性能优于更复杂的主流方法。
2025-11-10 cs.CV eess.IV
Hyperspectral Super-Resolution via Coupled Tensor Ring Factorization
RIKEN AIP（理化学研究所人工智能研究中心）；UESTC（电子科技大学）
高光谱超分辨率（HSR）融合低分辨率高光谱图像（HSI）和高分辨率多光谱图像（MSI），以获得高分辨率HSI（HR-HSI）。在本文中，我们提出了一个新的模型，命名为耦合张量环分解（CTRF），高速铁路。提出的CTRF方法同时从HSI学习高光谱分辨率核心张量和从MSI学习高空间分辨率核心张量，并通过张量环（TR）表示重建HR-HSI（图~ \ref{fig:framework}）。CTRF模型可以单独利用每个类的低秩属性（第\ref{sec:analysis}节），这在以前的耦合张量模型中从未被探索过。同时，它继承了耦合矩阵/CP分解的简单表示和耦合Tucker分解的灵活低秩探索。在定理~ \ref{th:1}的指导下，我们进一步提出了一种谱核范数正则化方法来研究全局谱低秩性质。实验表明，与以前的矩阵/张量和深度学习方法相比，所提出的核范数正则化CTRF（NCTRF）具有优势。
2020-01-06 cs.CV eess.IV
Physics-Informed Untrained Learning for RGB-Guided Superresolution Single-Pixel Hyperspectral Imaging
College of Science, Northwest Agriculture & Forestry University（西北农林科技大学理学院）；Key Laboratory of Photoelectronic Imaging Technology and System, School of Optics and Photonics, Beijing Institute of Technology（北京理工大学光电学院光电成像技术与系统教育部重点实验室）；State Key Laboratory of Digital Manufacturing Equipment and Technology, Huazhong University of Science and Technology（华中科技大学数字制造装备与技术国家重点实验室）
本文提出一种基于物理的无训练框架，利用未训练的神经网络和RGB引导，实现超分辨率和超光谱重建，无需外部训练数据，实验表明其在重建精度和光谱保真度上优于现有方法。
2026-04-04 cs.CV physics.optics
Hyperspectral-Multispectral Image Fusion with Weighted LASSO
光谱成像使遥感、生物医学和天文学中的材料的空间分辨识别成为可能。然而，采集时间需要平衡频谱和空间分辨率与信噪比。高光谱成像提供了优越的材料特异性，而多光谱图像更快地收集更高的保真度。我们提出了一种融合高光谱和多光谱图像，以提供高质量的高光谱输出的方法。所提出的优化利用最小绝对收缩和选择算子（LASSO）来执行变量选择和正则化。通过应用交替方向乘法器（ADMM），以及初始化融合图像估计它使用最大后验概率（MAP）基于Hardie的方法，减少了计算时间。我们表明，建议稀疏融合和重建提供了定量优越的结果相比，现有的方法公开可用的图像。最后，我们展示了如何所提出的方法可以实际应用于生物医学红外光谱显微镜。
2020-03-15 cs.CV eess.IV
A Generalized Tensor Formulation for Hyperspectral Image Super-Resolution Under General Spatial Blurring
针对现有张量方法假设空间模糊可分离的局限，提出基于Kronecker分解的广义张量公式，处理任意空间退化矩阵，并通过块组稀疏正则化实现精确恢复，实验证明在各项异性模糊下优于现有方法。
2024-09-27 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
Hyperspectral Image Super-resolution via Deep Spatio-spectral Convolutional Neural Networks
University of Electronic Science and Technology of China（电子科技大学）；Southwestern University of Finance and Economics（西南财经大学）；University of Salerno（萨勒诺大学）；Institute of Methodologies for Environmental Analysis, CNR-IMAA（意大利国家研究委员会环境分析方法研究所）；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）
高光谱图像对于更好地了解不同材料的特性至关重要。为了实现这一目标，他们利用了大量的光谱波段。然而，这种有趣的特性往往是支付的空间分辨率降低相比，传统的多光谱图像系统。为了缓解这个问题，在这项工作中，我们提出了一种简单有效的深度卷积神经网络架构，用于融合低分辨率高光谱图像（LR-HSI）和高分辨率多光谱图像（HR-MSI），产生高分辨率高光谱图像（HR-HSI）。该网络的设计是为了保留空间和光谱信息，这要归功于两个方面的架构：一个是利用不同尺度的HR-HSI来获得具有满意光谱保留的输出;另一个是应用多分辨率分析的概念来提取高频信息，旨在输出高质量的空间细节。最后，一个普通的均方误差损失函数被用来衡量在训练过程中的性能。大量的实验表明，所提出的网络架构实现最佳的性能（定性和定量）相比，最近的国家的最先进的高光谱图像超分辨率的方法。此外，其他显着的优点，可以指出，通过使用所提出的方法，如更好的网络泛化能力，有限的计算负担，以及相对于训练样本的数量的鲁棒性。
2020-05-29 cs.CV eess.IV
HyperBench: Standardizing and Scaling Synthetic Evaluation for Hyperspectral Super-Resolution
University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
本文提出HyperBench框架，通过标准化和扩展合成实验来评估超光谱超分辨率方法，以解决现有评估方法中配置不一致、结果难以比较和复现的问题。
2026-05-20 cs.CV eess.IV
Towards Lightweight Hyperspectral Image Super-Resolution with Depthwise Separable Dilated Convolutional Network
Department of Computer Science, Aalto University, Finland（艾尔沃斯大学计算机科学系）；School of Electrical and Electronic Engineering, University of Sheffield, United Kingdom（谢菲尔德大学电子与电气工程学院）
针对高光谱图像超分辨率中模型参数多、训练样本少的问题，提出轻量级深度可分离膨胀卷积网络DSDCN，结合定制损失函数，在两个公开数据集上取得极具竞争力的性能。
2025-05-01 cs.CV eess.IV
Efficient Feedback Gate Network for Hyperspectral Image Super-Resolution
School of Electronic and Information Engineering, Anhui University（安徽大学电子与信息工程学院）；School of Artificial intelligence, Anhui University（安徽大学人工智能学院）；Institutes of Physical Science, Chinese Academy Sciences（中国科学院物理科学研究院）
本文提出高效反馈门控网络，通过分组反馈、大核卷积及空间-光谱强化门控模块，提升单幅高光谱图像超分辨率性能，在三个数据集上优于现有方法。
2025-06-20 cs.CV cs.LG eess.IV
Real HSI-MSI-PAN image dataset for the hyperspectral/multi-spectral/panchromatic image fusion and super-resolution fields
School of Remote Sensing and Information Engineering, Wuhan University（武汉大学遥感信息工程学院）；Hubei Luojia Laboratory（湖北珞珈实验室）
针对现有高光谱融合实验依赖模拟数据导致算法比较不公平的问题，本文发布了一个空间配准的真实 HSI/MSI/PAN 图像数据集，支持多种图像组合融合，以促进高光谱图像融合领域的发展。
2024-07-04 cs.CV eess.IV
Deep unfolding Network for Hyperspectral Image Super-Resolution with Automatic Exposure Correction
提出UHSR-AEC深度展开网络，联合低光增强与超分辨率，自动校正曝光，在极端光照下生成高质量高光谱融合图像，性能优于现有基准方法。
2024-03-14 cs.CV eess.IV
Hybrid Deep Learning for Hyperspectral Single Image Super-Resolution
Department of Computer Science, Aalto University, Finland（计算机科学系，艾尔沃斯大学，芬兰）
针对高光谱单图像超分辨率中空间细节恢复与光谱保真难以兼顾的问题，提出可集成到2D卷积架构的SSUF模块和定制空间-光谱梯度损失，构建的混合深度学习模型在降低复杂度的同时取得了有竞争力的性能。
2025-09-26 cs.AI cs.CV cs.LG
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。
2026-05-23 cs.AI cs.CV eess.IV
Map-guided Hyperspectral Image Superpixel Segmentation Using Proportion Maps
University of Missouri（密苏里大学）；University of Florida（佛罗里达大学）
提出了一种基于地图引导的高光谱图像超像素分割方法。所提出的方法开发了SLIC超像素分割算法的高光谱适当版本，利用地图信息来指导分割，并结合半监督部分成员潜在狄利克雷分配（sPM-LDA）来获得最终的超像素分割。该方法被应用到两个真实的高光谱数据集和定量聚类有效性指标表明，该方法优于现有的高光谱超像素分割方法。
2017-01-06 cs.CV
Hyperspectral Unmixing with Endmember Variability using Semi-supervised Partial Membership Latent Dirichlet Allocation
University of Florida（佛罗里达大学）；University of Missouri（密苏里大学）
提出了一种半监督的部分隶属度潜在狄利克雷分配方法，用于高光谱混合分解和端元估计，同时考虑了光谱变异性和空间信息。部分隶属度潜在狄利克雷分配是一种有效的光谱分解方法，同时表示光谱变异性和利用空间信息。在这项工作中，我们扩展了部分成员潜在狄利克雷分配，将任何可用的（不精确的）标签信息，以帮助指导解混。在两个高光谱数据集上的实验结果表明，所提出的半监督PM-LDA可以得到更好的高光谱解混和端元估计结果。
2017-03-17 cs.CV
MixSKD: Self-Knowledge Distillation from Mixup for Image Recognition
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Horizon Robotics（地平线机器人）
与传统的知识蒸馏（KD）不同，自KD允许网络从自身学习知识，而无需任何来自额外网络的指导。本文提出了从图像混合中执行自KD（MixSKD），它将这两种技术集成到一个统一的框架中。MixSKD以一种有意义的方式相互提取原始图像和它们的混合图像的随机对之间的特征图和概率分布。因此，它引导网络通过对来自混合图像的监督信号进行建模来学习交叉图像知识。此外，我们通过聚合多阶段特征图来构建自教师网络，以提供软标签来监督骨干分类器，进一步提高自提升的功效。图像分类和迁移学习到目标检测和语义分割的实验表明，MixSKD优于其他最先进的Self-KD和数据增强方法。该代码可在https://github.com/winycg/Self-KD-Lib上获得。
2022-08-11 cs.CV
Co-Mixup: Saliency Guided Joint Mixup with Supermodular Diversity
Seoul National University（首尔国立大学）；Neural Processing Research Center（神经处理研究中心）
虽然深度神经网络在拟合训练分布方面表现出很好的性能，但提高网络对测试分布的泛化性能和对输入扰动敏感性的鲁棒性仍然是一个挑战。尽管已经提出了许多基于混淆的增强策略来部分地解决它们，但是从优化的角度来看，如何最好地利用每个输入数据内的监督信号来进行混淆仍然是不清楚的。我们提出了一个新的角度对批量混淆和制定一批混淆数据的最佳建设最大化的数据显着性措施，每个单独的混淆数据，并鼓励超模之间的多样性建设混淆数据。这导致了一个新的离散优化问题，最大限度地减少子模函数之间的差异。我们还提出了一个有效的模块近似为基础的迭代子模块最小化算法，每个小批量有效的混合计算适合于基于小批量的神经网络训练。我们的实验表明，所提出的方法实现了最先进的泛化，校准，和弱监督定位结果相比，其他混淆的方法。源代码可在https://github.com/snu-mllab/Co-Mixup上获得。
2021-02-05 cs.AI cs.CV cs.LG
Self-supervised Contrastive Learning for Cross-domain Hyperspectral Image Representation
DEVCOM Army Research Laboratory (ARL)（美国陆军作战能力发展司令部陆军研究实验室（ARL））
近年来，自监督学习由于其在不使用语义标签的情况下获得分类任务的有意义表示的显着能力而引起了人们的关注。本文介绍了一个自监督学习框架，适用于高光谱图像，本质上是具有挑战性的注释。所提出的框架架构利用跨域CNN，允许从不同的高光谱图像中学习表示，具有不同的光谱特性，没有像素级注释。在该框架中，通过对比学习来学习跨域表示，其中同一图像中的相邻光谱向量在包含多个高光谱图像的公共表示空间中聚类在一起。相反，在不同的高光谱图像的光谱矢量分离到不同的集群在空间中。为了验证通过对比学习学习的表示有效地转移到下游任务中，我们对高光谱图像执行分类任务。实验结果表明，所提出的自监督表示的优势，从零开始训练的模型或其他迁移学习方法。
2022-02-08 cs.CV
Breaking the Modality Wall: Time-step Mixup for Efficient Spiking Knowledge Transfer from Static to Event Domain
Ningbo University（宁波大学）；Nanyang Technological University（南洋理工大学）；Merchants’ Guild Economics and Cultural（商帮经济与文化）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
针对RGB到DVS跨模态脉冲知识迁移的模态分布鸿沟问题，本文提出TMKT框架，通过TSM策略及两个轻量模态感知目标实现平滑知识迁移，在脉冲图像分类任务上取得更优性能。
2025-11-15 cs.CV
HyperNet: Self-Supervised Hyperspectral Spatial-Spectral Feature Understanding Network for Hyperspectral Change Detection
自监督学习的快速发展降低了海量未标记数据中的bar学习特征表示，引发了一系列遥感图像变化检测的研究。自然图像分类和遥感图像变化检测的差异使得自监督学习在应用于遥感图像变化检测时面临挑战。学习的块级特征表示对于像素级的精确变化检测是不令人满意的。在本文中，我们提出了一种新的像素级自监督高光谱空间光谱理解网络（HyperNet），以实现有效的高光谱变化检测的像素级特征表示。具体地说，不是补丁，但整个图像被送入网络和多时间的空间光谱特征进行比较像素。提出了一个强大的空间-光谱注意力模块，用于分别研究多时相高光谱图像的空间相关性和鉴别性光谱特征，而不是以混合方式处理二维成像空间和光谱响应维。该方法只对双时域HSI中同一位置的正样本进行对齐，以学习谱差不变特征。此外，提出了一种新的相似度损失函数--焦点余弦，以解决简单正样本和困难正样本比较不平衡的问题，扩大和突出困难正样本的权重，促进网络训练。六个高光谱数据集已被采用，以测试建议的超网络的有效性和推广。大量的实验表明，超网络的优越性，在下游高光谱变化检测任务的最先进的算法。
2022-07-20 cs.CV
SA-MixNet: Structure-aware Mixup and Invariance Learning for Scribble-supervised Road Extraction in Remote Sensing Images
Xidian University（西安电子科技大学）；Northwestern Polytechnical University（西北工业大学）
本文提出 SA-MixNet，通过结构感知 Mixup 构造复杂场景、不变性正则化和判别器正则化，提升弱监督道路提取在多样遥感场景中的一致性与连通性。
2024-03-03 cs.CV
Inter-Domain Mixup for Semi-Supervised Domain Adaptation
Sun Yat-sen University（中山大学）；The University of Hong Kong（香港大学）
针对半监督域适应中跨域特征对齐不充分导致的标签不匹配问题，提出 IDMNE，通过域间 Mixup 融合标签信息并结合邻域扩展利用高置信伪标签，在多个基准上显著提升准确率。
2024-01-21 cs.CV
Self-supervised spectral matching network for hyperspectral target detection
Northwestern Polytechnical University（西北工业大学）
高光谱目标检测是一个像素级的识别问题。在给定少量目标样本的情况下，从整幅高光谱图像中识别出飞机、车辆、舰船等特定目标像素。一般来说，背景像素占图像的大部分并且分布复杂。因此，数据集的注释很弱，而且非常不平衡。为了解决这些问题，光谱混合基于自监督范式设计的高光谱数据，以获得一个有效的特征表示。该模型采用基于光谱相似性的匹配网络框架。为了学习更多的区别性特征，采用基于对的损失，以最小化目标像素之间的距离，同时最大化目标和背景之间的距离。此外，通过背景分离步骤，复杂的未标记的光谱被下采样到不同的子类别。在三个真实高光谱数据集上的实验结果表明，与现有的检测器相比，该框架取得了更好的效果。
2021-05-10 cs.CV
CalibrateMix: Guided-Mixup Calibration of Image Semi-Supervised Models
针对现有半监督图像分类模型校准性差、易产生过度自信预测的问题，本文提出CalibrateMix方法，通过区分难易样本开展针对性混合，在多个基准上实现了更低的期望校准误差与更优分类准确率。
2025-11-17 cs.AI cs.CV
Segmentation-Aware Hyperspectral Image Classification
HAVELSAN Inc.（哈维尔桑公司）
本文提出了一种统一的高光谱图像分类方法，该方法以三维高光谱数据立方体为输入，产生一个分类图。在所提出的方法中，深度神经网络，它使用光谱和空间信息与残差连接，和基于像素亲和网络的分割感知超像素一起使用。在该架构中，分割感知超像素在深度残差网络的初始分类图上运行，并对获得的结果应用多数投票。实验结果表明，我们提出的方法在两个基准数据集上产生了最先进的结果。此外，我们还表明，分割感知超像素有很大的贡献，在训练数据不足的情况下，高光谱图像分类方法的成功。
2019-05-22 cs.CV
RankMixup: Ranking-Based Mixup Training for Network Calibration
Yonsei University（延世大学）
针对现有mixup校准方法中标签混合无法匹配增强样本分布的问题，提出RankMixup框架，通过原始与增强样本、多增强样本间的排序监督及对应损失函数，有效提升网络校准效果。
2023-08-23 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
Graph-Weighted Contrastive Learning for Semi-Supervised Hyperspectral Image Classification
School of Information Science and Engineering, Lanzhou University（兰州大学信息科学与工程学院）；Key Laboratory of AI and Information Processing, Hechi University（河池学院人工智能与信息处理重点实验室）；School of Artificial Intelligence and Smart Manufacturing, Hechi University（河池学院人工智能与智能制造学院）
针对基于超像素分割的图半监督高光谱图像分类方法存在边界误差、分类性能受限的问题，提出无需超像素分割的图加权对比学习方法，支持小批量训练，在三个常用数据集上表现优于基线方法。
2025-03-19 cs.CV
Modality-Adaptive Mixup and Invariant Decomposition for RGB-Infrared Person Re-Identification
University of Science and Technology of China（中国科学技术大学）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
RGB-红外人脸再识别是一种新兴的跨模态再识别任务，由于RGB和红外图像之间存在显著的模态差异，因此具有很大的挑战性。在这项工作中，我们提出了一种新的模态自适应混合和不变分解（MID）的RGB红外人重新识别的方法，学习模态不变和歧视性的表示。MID设计了一种模态自适应的混合方案来生成合适的RGB和红外图像之间的混合模态图像，以减轻像素级的固有模态差异。该方法将模态混淆过程描述为马尔可夫决策过程，在此过程中，行动者-批评者智能体在深度强化学习框架下学习跨模态图像不同区域之间的动态局部线性插值策略。这种策略保证了模态不变性在一个更连续的潜在空间，并避免流形入侵损坏的混合模态样本。此外，为了进一步对抗模态差异并在特征级执行不变的视觉语义，MID采用模态自适应卷积分解将常规卷积层分解为模态特定的基础层和模态共享系数层。在两个具有挑战性的基准上进行的大量实验结果表明，MID的性能优于最先进的方法。
2022-03-16 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
Mixup-based Deep Metric Learning Approaches for Incomplete Supervision
The University of Adelaide（阿德莱德大学）
深度学习架构已经在不同领域取得了有希望的成果（例如，农业、医疗、安全）。然而，在许多实际应用中使用这些强大的技术变得具有挑战性，因为在训练期间需要大量的标记集合。有几项工作已经寻求解决方案，以克服它提出的战略，可以学到更多的少，例如，弱监督学习和半监督学习方法。由于这些方法通常不解决记忆和对抗性示例的敏感性，本文提出了三种深度度量学习方法，结合Mixup用于不完全监督场景。我们表明，一些国家的最先进的方法在度量学习可能无法很好地工作在这种情况下。此外，所提出的方法在不同的数据集上优于大多数方法。
2022-08-27 cs.CV cs.LG
Toulouse Hyperspectral Data Set: a benchmark data set to assess semi-supervised spectral representation learning and pixel-wise classification techniques
CNES（法国国家空间研究中心）；Toulouse Mathematics Institute（图卢兹数学研究所）；CNRS（法国国家科学研究中心）；University of Toulouse（图卢兹大学）；ONERA-DOTA（法国航空航天研究院DOTA部门）；Magellium（马哲利姆公司）
针对现有高光谱数据集不适合评估泛化性能的问题，发布大规模Toulouse Hyperspectral Data Set基准，并基于Masked Autoencoder等自监督技术建立像素级分类基线，实现85%准确率。
2024-03-25 cs.CV
Generalizable Medical Image Segmentation via Random Amplitude Mixup and Domain-Specific Image Restoration
Nanjing University（南京大学）；Southeast University（东南大学）
对于医学图像分析，由于不同数据采集策略之间的差异，在一个或多个域上训练的分割模型缺乏对未知域的泛化能力。我们认为，在分割性能的退化，主要是由于过拟合的源域和域移动。为此，我们提出了一种新的通用的医学图像分割方法。具体来说，我们设计我们的方法作为一个多任务的范例相结合的分割模型与自我监督域特定的图像复原（DSIR）模块模型正则化。我们还设计了一个随机幅度混合（RAM）模块，它合并不同域图像的低电平频率信息来合成新的图像。为了指导我们的模型抵抗域转移，我们引入了语义一致性损失。我们证明了我们的方法在两个公共的可推广的医学图像分割基准上的性能，这验证了我们的方法可以达到最先进的性能。
2022-08-08 cs.CV
