基于神经网络架构的高效高光谱图像去马赛克方法

用于图像去马赛克的神经网络架构变得越来越复杂。这导致此类深度网络的训练周期漫长且网络规模庞大。这两个因素阻碍了网络在通常只有有限资源的实时平台上的实际部署与使用。本研究探讨了神经网络架构在高光谱图像去马赛克中的有效性。我们引入了一系列网络模型和修改，并将它们与经典插值方法和现有的参考网络方法进行了比较。旨在识别鲁棒且高效的网络架构。我们的评估在两个数据集“SimpleData”和“SimRealData”上进行，它们代表了多光谱滤波器阵列（MSFA）数据中不同程度真实性。结果表明，我们的网络在两个数据集上均优于或匹敌参考模型，展现出卓越的性能。值得注意的是，我们的方法侧重于实现正确的光谱重建而非仅仅追求视觉美感，这一重点得到了定量和定性评估的支持。此外，我们的研究结果表明，需要更少参数的高效去马赛克解决方案对于实际应用至关重要。本研究为高光谱成像及其在包括医学成像在内的各个领域的潜在应用提供了有价值的见解。