Spatial-Spectral Transformer for Hyperspectral Image Denoising
Beijing Institute of Technology（北京理工大学）
高光谱图像去噪是高光谱图像后续应用的关键预处理过程。不幸的是，虽然见证了深度学习在HSI去噪领域的发展，但现有的基于卷积的方法面临着计算效率和对HSI的非局部特征建模能力之间的权衡。在本文中，我们提出了一个空间光谱Transformer（SST），以减轻这个问题。为了充分挖掘空间维和谱维的内在相似性特征，我们采用Transformer结构进行非局部空间自关注和全局谱自关注。基于窗口的空间自注意关注的是相邻区域以外的空间相似性。而光谱自注意利用了高度相关的波段之间的长程相关性。实验结果表明，我们提出的方法优于国家的最先进的HSI去噪方法在定量质量和视觉效果。
2022-11-25 cs.CV eess.IV
HyDe: The First Open-Source, Python-Based, GPU-Accelerated Hyperspectral Denoising Package
Helmholtz AI（亥姆霍兹人工智能平台）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）；Helmholtz-Zentrum Dresden-Rossendorf (HZDR)（亥姆霍兹德累斯顿罗森多夫研究中心）
与任何物理仪器一样，高光谱相机会在获取的数据中引入不同类型的噪声。因此，高光谱图像去噪是高光谱图像分析的关键步骤。传统的计算方法很少使用GPU来提高效率，并且不是完全开源的。或者，基于深度学习的方法通常是开源的，使用GPU，但对许多研究人员来说，它们在现实世界应用中的训练和利用仍然是不平凡的。因此，我们建议HyDe：第一个开源的，基于GPU加速的Python的高光谱图像去噪工具箱，旨在提供一个易于使用的环境，提供大量的方法。HyDe包括从基于低秩小波的方法到深度神经网络（DNN）模型的各种方法。HyDe的接口极大地提高了这些方法的互操作性和底层函数的性能。事实上，这些方法保持了与原始实现相似的HSI去噪性能，同时消耗的能量减少了近十倍。此外，我们提出了一种训练DNN的方法，用于对与训练数据集在空间上不相关的HSI进行去噪，即，地面HSIs培训，用于对HSIs进行降噪，其他方面包括机载、无人机载和航天器载。为了利用经过训练的DNN，我们展示了一种滑动窗口方法来有效地对HSIs进行降噪，否则需要超过40 GB。该软件包可在以下地址找到：\url{https://github.com/Helmholtz-AI-Energy/HyDe}。
2022-04-14 cs.CV eess.IV
SSCAN: A Spatial-spectral Cross Attention Network for Hyperspectral Image Denoising
Wuhan University（武汉大学）；University of Arkansas（阿肯色大学）；Wuhan Institute of Technology（武汉工程大学）
高光谱图像（HSI）由于能够提供丰富的光谱信息而被广泛应用于各种应用中。在所有的HSI处理任务中，HSI去噪是关键的一步。最近，基于深度学习的图像去噪方法取得了很大进展，并取得了很好的性能。然而，现有的方法往往忽略相邻光谱带之间的相关性，导致去噪结果中的光谱失真和边缘模糊等问题。在这项研究中，我们提出了一种新的HSI去噪网络，称为SSCAN，它结合了组卷积和注意力模块。具体来说，我们使用一个空间注意力模块的组卷积，通过将模型的注意力引导到波段重要特征来促进特征提取。我们提出了一个光谱空间注意块（SSAB），以有效的方式利用高光谱图像中的空间和光谱信息。此外，我们采用了带有跳过连接的剩余学习操作，以确保训练的稳定性。实验结果表明，所提出的SSCAN优于几个国家的最先进的HSI去噪算法。
2021-05-23 cs.CV eess.IV
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。
2026-04-09 cs.CV eess.IV
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。
2024-03-15 cs.CV eess.IV
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。
2021-03-12 cs.CV eess.IV
ADRN: Attention-based Deep Residual Network for Hyperspectral Image Denoising
Harbin Institute of Technology（哈尔滨工业大学）
高光谱图像去噪对于高光谱图像的分类、解译等后续应用具有重要意义。在本文中，我们提出了一种基于注意力的深度残差网络，可以直接学习从噪声HSI到干净HSI的映射。为了联合利用空间-频谱信息，当前频带及其$K$相邻频带被同时利用作为输入。然后，我们采用不同滤波器大小的卷积层来融合多尺度特征，并使用快捷连接来合并多层次信息以更好地去除噪声。此外，采用通道注意机制，使网络集中在最相关的辅助信息和最有利于去噪过程的特征。为了简化训练过程，我们通过残差模式而不是直接预测来重建输出。实验结果表明，我们提出的ADRN计划优于国家的最先进的方法在定量和视觉评价。
2020-03-04 cs.CV eess.IV
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。
2021-11-15 cs.CV eess.IV
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。
2023-09-15 cs.CV eess.IV
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。
2024-08-02 cs.CV eess.IV
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。
2022-06-20 cs.CV eess.IV
Dual-Stream Attention Network for Hyperspectral Image Unmixing
提出双流注意力网络（DSANet）用于高光谱图像解混，通过“多对一”空间策略与多视图光谱划分提取丰度，并利用交叉融合注意力网络聚合互补信息，在真实数据集上验证了有效性。
2024-06-03 eess.IV
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。
2023-04-19 cs.CV eess.IV
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。
2022-11-25 cs.CV eess.IV
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。
2020-05-30 cs.CV eess.IV
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。
2022-07-09 cs.CV eess.IV
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。
2023-03-14 cs.CV cs.NE eess.IV
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。
2024-09-09 cs.CV eess.IV
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。
2023-04-03 cs.CV eess.IV
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.
2020-08-15 cs.CV cs.NE eess.IV
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。
2023-03-19 cs.CV eess.IV
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。
2026-01-08 cs.CV eess.IV
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
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。
2023-04-02 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
Hyperspectral Image Denoising with Partially Orthogonal Matrix Vector Tensor Factorization
University of Electronic Science and Technology of China（电子科技大学）；Shanghai Jiao Tong University（上海交通大学）
高光谱图像（HSI）由于其额外的光谱信息，在各种应用中具有自然图像所不能比拟的优势。在捕获过程中，它经常被严重的噪声污染，包括高斯噪声，脉冲噪声，截止日期，和条纹。图像质量的退化会严重影响某些应用。本文提出了一种平滑鲁棒的低秩张量恢复方法。具体来说，我们提出了一个结构张量分解，根据线性光谱混合模型的HSI。它将张量分解为外部矩阵向量乘积的和，其中向量由于端元谱的独立性而正交。在此基础上，全局低秩张量结构可以很好地表达HSI去噪。此外，三维各向异性全变分用于HSI的空间谱分段平滑。同时，稀疏噪声包括脉冲噪声，截止日期和条纹，检测l1范数正则化。Frobenius范数用于一些真实世界场景中的重高斯噪声。采用乘子交替方向法求解该优化模型，同时利用了HSI的全局低秩特性和空间谱光滑性。模拟和真实数据的数值实验表明，与现有的方法相比，所提出的方法的优越性。
2020-06-29 cs.LG eess.IV
Low-rank Meets Sparseness: An Integrated Spatial-Spectral Total Variation Approach to Hyperspectral Denoising
imec（比利时微电子研究中心）；Ghent University（根特大学）；Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））
空间-光谱全变分（SSTV）能够量化图像结构的局部平滑性，因此被广泛应用于高光谱图像（HSI）处理任务。本质上，SSTV假设沿空间和频谱方向计算的梯度图的稀疏结构。实际上，这些梯度张量不仅是稀疏的，而且在FFT下是（近似）低秩的，我们已经通过数值试验和理论分析验证了这一点。基于这一事实，我们提出了一种新的TV正则化，同时表征稀疏性和低秩先验的梯度映射（LRSTV）。新的正则化不仅赋予了梯度映射本身的稀疏性，而且对傅里叶变换后的梯度映射沿谱维的秩进行了惩罚。它自然地对梯度图的稀疏性和低秩先验进行编码，从而期望更忠实地反映原始图像的内在结构。此外，我们使用LRSTV来取代传统的SSTV，并将其嵌入到HSI处理模型中，以提高其性能。在多个含有强混合噪声的公开数据集上的实验结果表明，该模型可以使PSNR提高1.5dB。
2022-04-27 cs.CV eess.IV
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
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。
2024-08-03 cs.CV cs.LG eess.IV
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。
2023-01-27 cs.CV cs.LG eess.IV
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。
2025-12-22 cs.CV eess.IV
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。
2024-12-05 cs.CV eess.IV
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。
2023-05-06 cs.CV eess.IV
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。
2023-07-07 cs.CV cs.LG eess.IV
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。
2025-12-31 cs.CV eess.IV
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。
2022-01-08 cs.CV cs.LG eess.IV
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。
2024-01-09 cs.CV eess.IV
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。
2022-05-06 cs.CV eess.IV
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。
2020-10-24 cs.CV eess.IV
A two-stage method for spectral-spatial classification of hyperspectral images
提出了一种新的两阶段高光谱图像分类方法。像素分类器，如经典的支持向量机（SVM），只考虑光谱信息，因此，它们会产生噪声的分类结果，因为空间信息没有被利用。许多现有的方法，如形态轮廓，超像素分割，复合核，利用空间信息。在本文中，我们提出了一个两阶段的方法，将空间信息。在第一阶段中，SVM用于估计每个像素的类概率。每个类别的结果概率图将是嘈杂的。在第二阶段，变分去噪方法被用来恢复这些噪声的概率图，得到一个很好的分类图。我们提出的方法有效地利用了高光谱数据集的光谱和空间信息。实验结果表明，我们的方法是非常有竞争力的，与当前国家的最先进的方法相比，特别是当类间光谱相似或训练像素的百分比很高。
2018-06-03 eess.IV
AE-RED: A Hyperspectral Unmixing Framework Powered by Deep Autoencoder and Regularization by Denoising
Northwestern Polytechnical University（西北工业大学）；University of Toulouse（图卢兹大学）；IRIT/INP-ENSEEIHT（图卢兹计算机科学研究所/国立图卢兹应用科学学院-高等电力与电子工程师学院）；CNRS（法国国家科学研究中心）
本文提出名为AE-RED的高光谱解混框架，通过将深度自编码器与去噪正则化相结合，分解优化问题以融合隐式正则化与显式先验，从而提升解混性能与可解释性。
2023-07-01 cs.CV eess.IV
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
Diffusion model for gradient preconditioning in hyperspectral imaging inverse problems
针对高光谱成像有限测量下梯度噪声大的问题，提出用去噪扩散模型在梯度空间学习逆过程以预条件优化，提升了激进采样下的恢复精度与稳定性。
2025-07-30 eess.IV
Attention based Dual-Branch Complex Feature Fusion Network for Hyperspectral Image Classification
University of Dubai（迪拜大学）；Mohammed Bin Rashed Space Centre（穆罕默德·本·拉希德航天中心）
本研究提出一种双分支高光谱图像分类模型，结合实值神经网络的空间特征与复值神经网络的傅里叶频率特征，引入SE注意力机制，在两个公开数据集上准确率等指标优于现有最优方法。
2023-11-02 cs.CV eess.IV
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。
2023-06-21 cs.CV eess.IV
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
A Deep Unrolling Model with Hybrid Optimization Structure for Hyperspectral Image Deconvolution
Department of Computer Engineering and Informatics, Patras University（计算机工程与信息学院，帕特拉大学）；Department Digital Media and Communication, Ionian University（数字媒体与通信系，伊奥尼亚大学）
本文提出DeepMix，一种结合手工与可学习正则化器的深度展开优化框架，用于高光谱图像去卷积，通过残差结构和上下文感知去噪模块显著提升图像质量与计算效率。
2025-05-21 cs.CV eess.IV
Tuning-free Plug-and-Play Hyperspectral Image Deconvolution with Deep Priors
CNRS（法国国家科学研究中心）；OCA（蔚蓝海岸天文台）；Northwestern Polytechnical University（西北工业大学）
针对高光谱图像反卷积中手工设计正则项与调参困难的问题，提出基于ADMM分解、B3DDN深度先验和3D残差白度调参的无需调参PnP算法，在模拟与真实数据上表现更优。
2023-02-06 cs.CV eess.IV
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。
2024-06-15 cs.CV cs.LG eess.IV
Hyperspectral Image Super-Resolution via Deep Prior Regularization with Parameter Estimation
高光谱图像超分辨率是克服现有高光谱成像系统在空间分辨率上的硬件限制的常用手段。该方法将同一场景的低分辨率HSI图像和高分辨率常规图像进行融合，得到高分辨率HSI图像。在这项工作中，我们提出了一种方法，集成了物理模型和深度先验信息。具体而言，一种新颖的，但有效的双流融合网络的设计作为融合问题的正则化。这个融合问题被制定为一个优化问题，其解决方案可以通过求解西尔维斯特方程。此外，同时估计正则化参数以自动调整物理模型的贡献，并且在重建最终HR HSI之前学习。模拟和真实数据的实验结果表明，该方法优于其他国家的最先进的方法在定量和定性比较。
2021-04-25 eess.IV
MDN: Mamba-Driven Dualstream Network For Medical Hyperspectral Image Segmentation
针对医学高光谱图像分割现有方法难以平衡精度与速度的问题，提出Mamba驱动的双流网络MDN，通过循环光谱序列表示优化Mamba单向聚合缺陷，在两个数据集上实现精度与推理速度的双重提升。
2025-02-24 eess.IV
A flexible and accurate total variation and cascaded denoisers-based image reconstruction algorithm for hyperspectrally compressed ultrafast photography
针对高光谱压缩超快摄影重建质量差的问题，提出基于全变分与级联去噪器的TV-CD算法，在即插即用ADMM框架中融合深度去噪先验，提升重建精度与质量，促进实际应用。
2023-09-06 eess.IV physics.optics
SSCU-Net: Spatial-Spectral Collaborative Unmixing Network for Hyperspectral Images
线性光谱解混是高光谱图像处理和判读中的一项重要技术。近年来，基于深度学习的方法在高光谱解混中表现出了巨大的潜力，特别是基于自编码器网络的无监督解混方法是最近的趋势。自动编码器模型，自动学习低维表示（丰度）和重建数据与其相应的基地（端元），在高光谱解混取得了优异的性能。在这篇文章中，我们探讨了在基于自动编码器的解混网络中空间和光谱信息的有效利用。在自动编码器框架中使用的空间和光谱信息的重要发现进行了讨论。受这些发现的启发，我们提出了一种空间-光谱协作解混网络，称为SSCU-Net，它以端到端的方式学习空间自动编码器网络和光谱自动编码器网络，以更有效地提高解混性能。SSCU-Net是一个双流深度网络，共享一个交替的架构，其中两个自动编码器网络以协作的方式进行有效训练，以估计端元和丰度。同时，通过引入基于丰富信息的超像素分割方法，提出了一种新的空间自编码网络，极大地方便了空间信息的利用，提高了解混网络的精度。此外，进行了广泛的烧蚀研究，以调查的性能增益的SSCU-Net。合成和真实高光谱数据集上的实验结果表明，与几种最先进的高光谱解混方法相比，所提出的SSCU-Net的有效性和竞争力。
2022-08-09 eess.IV
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
