利用 CNN 模型传播的带-wise 高光谱图像全色锐化
图像与视频处理
2023-11-14 v1 计算机视觉与模式识别
摘要
高光谱全色锐化在过去几年中受到越来越多的关注，大量研究论文和挑战赛证明了这一点。它由一个较低分辨率高光谱数据立方与较高分辨率单波段图像（全色图像）之间的像素级融合组成，目标是提供全色分辨率下的高光谱数据立方。凭借强大的表征能力，深度学习模型在许多通用图像处理任务上取得了前所未有的结果。然而，当转向如本例的领域特定问题时，由于若干背景原因，相对于传统基于模型的方法的优势远不明确。训练数据稀缺、缺乏真值、数据形状可变，是限制最先进深度学习网络在高光谱全色锐化上泛化能力的部分因素。为应对这些限制，本文提出一种新深度学习方法，其继承嵌套于顺序逐带自适应方案中的简单单带无监督全色锐化模型，每带通过精调前一带上的模型进行锐化。如此，一个简单模型沿波长维度自适应且灵活地传播，无需固定光谱带数，也无需大型、昂贵且带标签的训练数据集。所提方法在我们的数据集上取得非常好结果，优于传统与深度学习参考方法。方法实现见 https://github.com/giu-guarino/R-PNN
引用
@article{arxiv.2311.06510,
title = {Band-wise Hyperspectral Image Pansharpening using CNN Model Propagation},
author = {Giuseppe Guarino and Matteo Ciotola and Gemine Vivone and Giuseppe Scarpa},
journal= {arXiv preprint arXiv:2311.06510},
year = {2023}
}