HIDFlowNet：一种基于流的 hyperspectral 图像去噪深度网络

高光谱图像(HSI)去噪本质上是病态的，因为一幅含噪 HSI 可能由多幅干净 HSI 退化而来。然而，现有基于深度学习(DL)的方法仅通过确定性映射从给定含噪 HSI 恢复一幅干净 HSI，从而忽略了病态问题并总是导致过度平滑问题。此外，这些基于 DL 的方法常忽视噪声属于高频分量的一部分，且其网络架构未能解耦低频与高频的学习。为缓解这些问题，本文提出一种基于流的 HSI 去噪网络(HIDFlowNet)，直接学习给定含噪 HSI 条件下干净 HSI 的条件分布，从而可从该条件分布中采样出多样的干净 HSI。总体上，我们的 HIDFlowNet 由生成流模型导出，由可逆解码器与条件编码器组成，可显式解耦 HSI 低频与高频信息的学习。具体而言，可逆解码器通过堆叠一系列可逆条件块(ICB)构建以捕获局部高频细节。条件编码器利用下采样操作获得低分辨率图像，并使用 transformers 捕获长距离相关性，从而有效提取全局低频信息。在仿真与真实 HSI 数据集上的大量实验验证，我们提出的 HIDFlowNet 可取得优于或媲美其他 SOTA 方法的结果。