用于高光谱影像超分辨率的反馈精炼局部-全局网络
图像与视频处理
2022-01-11 v2 计算机视觉与模式识别
摘要
随着深度学习技术的发展，基于卷积神经网络的多光谱图像超分辨率方法近期取得巨大进展。然而，单幅高光谱图像超分辨率仍具挑战性，原因在于高光谱数据的高维与复杂光谱特性使其难以同时捕获空间与光谱信息。为解决该问题，我们提出一种新颖的反馈精炼局部-全局网络（FRLGN）用于高光谱图像超分辨率。具体而言，我们设计了一种新的反馈结构与局部-全局光谱块，以缓解空间与光谱特征提取的困难。反馈结构可将高层信息回传以引导低层特征的生成过程，这通过具有有限展开步数的循环结构实现。此外，为有效利用回传的高层信息，构建了局部-全局光谱块来处理反馈连接。该块利用反馈的高层信息校正来自局部光谱波段的低层特征，并在全局光谱波段间生成强大的高层表示。通过结合反馈结构与局部-全局光谱块，FRLGN 可充分挖掘光谱波段间的空间-光谱相关性并逐步重建高分辨率高光谱图像。FRLGN 的源代码见 https://github.com/tangzhenjie/FRLGN。
引用
@article{arxiv.2103.04354,
title = {Feedback Refined Local-Global Network for Super-Resolution of Hyperspectral Imagery},
author = {Zhenjie Tang and Qing Xu and Zhenwei Shi and Bin Pan},
journal= {arXiv preprint arXiv:2103.04354},
year = {2022}
}