通过解混联合学习提升未注册高光谱图像超分辨率
计算机视觉与模式识别
2026-03-10 v1
摘要
未注册高光谱图像（HSI）超分辨率（SR）通常旨在使用未注册的高分辨率参考图像增强低分辨率 HSI。本文提出一种基于解混的融合框架，解耦空间-光谱信息，以同时缓解未注册融合的影响并增强 SR 模型的可学习性。具体而言，我们首先利用奇异值分解进行初始光谱解混，保留原始端成员，同时将后续网络专注于增强初始丰度图。为充分利用未注册参考图像的空间纹理，我们引入粗到细可变形聚合模块，该模块首先使用粗糙金字塔预测器估计像素级流动和相似性图。随后进行细亚像素精炼，以实现对参考特征的可变形聚合。聚合特征随后通过一系列空间-通道丰度交叉注意力块进行精炼。此外，提出了空间-通道调制融合模块，用于动态门控权重合并编码器-解码器特征，从而生成高质量的高分辨率 HSI。在模拟数据集和真实数据集上的实验结果表明，我们提出的方法在超分辨率性能上实现了最先进的水平。代码将在 https://github.com/yingkai-zhang/UAFL 上公开。
引用
@article{arxiv.2603.07918,
title = {Enhancing Unregistered Hyperspectral Image Super-Resolution via Unmixing-based Abundance Fusion Learning},
author = {Yingkai Zhang and Tao Zhang and Jing Nie and Ying Fu},
journal= {arXiv preprint arXiv:2603.07918},
year = {2026}
}