可调节的空白-光谱 hyperspectral 图像压缩网络
计算机视觉与模式识别
2025-11-04 v3
摘要
随着遥感（RS）中 hyperspectral 数据档案的快速增长，高效存储的需求变得至关重要，这推动了学习式 hyperspectral 图像（HSI）压缩的关注。然而，对 spectral 与 spatial 压缩在学习式 HSI 压缩中各自及联合效应的全面考察尚未得到彻底检验。对此类分析进行彻底考察对于理解 spectral、spatial 以及联合空白-光谱冗余性如何影响 HSI 压缩至关重要。为此，我们提出可调节的空白-光谱 hyperspectral 图像压缩网络（HyCASS），这是一种旨在实现 HSI 在 spectral 与 spatial 维度上可调节压缩的学习模型。HyCASS 由六个主要模块组成：1）光谱编码器模块；2）空间编码器模块；3）压缩比（CR）适配器编码器模块；4）CR 适配器解码器模块；5）空间解码器模块；6）光谱解码器模块。这些模块采用卷积层和 transformer 块来捕获短程和长程冗余性。在三个 HSI 基准数据集上的实验结果表明，我们提出的可调节模型在性能上优于现有学习式压缩模型，以 PSNR 提高最高可达 2.36 dB。根据我们的研究结果，我们为在不同 CR 下有效平衡 spectral 与 spatial 压缩提供了指导，同时考虑 HSI 的空间分辨率。我们的代码和预训练模型权重已公开 disponible at https://git.tu-berlin.de/rsim/hycass。
引用
@article{arxiv.2507.23447,
title = {Adjustable Spatio-Spectral Hyperspectral Image Compression Network},
author = {Martin Hermann Paul Fuchs and Behnood Rasti and Begüm Demir},
journal= {arXiv preprint arXiv:2507.23447},
year = {2025}
}