用于高光谱图像空谱压缩的生成对抗网络

基于深度学习的模型用于高光谱图像（HSIs）压缩近来因高光谱数据档案的急剧增长而在遥感领域备受关注。现有多数模型仅实现光谱或空间压缩，并未联合考虑高光谱图像中存在的空谱冗余。为解决此问题，本文将注意力集中于 High Fidelity Compression（HiFiC）模型（已被证明对空间压缩问题极为有效），并将其改造以执行高光谱图像的空谱压缩。具体而言，我们引入两种新模型：i) 使用 Squeeze and Excitation（SE）块的 HiFiC（记为 HiFiC$_{SE}$）；ii) 在高光谱图像压缩框架中使用 3D 卷积的 HiFiC（记为 HiFiC$_{3D}$）。我们分析了 HiFiC$_{SE}$ 与 HiFiC$_{3D}$ 在利用通道注意力与相互依赖分析压缩空谱冗余方面的有效性。实验结果表明所提模型在执行空谱压缩时具有效能，同时能以更低的码率重建出更高重建质量的图像。所提模型的代码公开于 https://git.tu-berlin.de/rsim/HSI-SSC 。