HIR-ALIGN：基于扩散数据生成增强高光谱图像恢复
计算机视觉与模式识别
2026-05-14 v1
摘要
高光谱图像（HSI）恢复对于可靠分析至关重要，因为实际的高光谱图像会受到噪声、模糊和分辨率损失等退化影响。然而，现有模型在训练源数据后常常在缺乏干净参考图像的目标域中失败，这在实际应用中十分常见。为解决此问题，我们提出了 HIR-ALIGN，一个即插即用的数据增强框架，可针对目标域进行自适应增强，通过无需额外数据的方式生成与目标分布高度匹配的合成数据来提升高光谱图像恢复效果。该框架包含三个阶段：（i）代理生成阶段，通过现成的恢复模型对目标观测图像进行恢复，生成保留语义的代理高光谱图像，近似于目标域的干净图像；（ii）分布自适应合成阶段，利用基于模糊鲁棒的 unCLIP 扩散模型，结合提示条件和嵌入空间噪声初始化，从代理 RGB 中生成与目标对齐的 RGB；随后，利用基于形变的光谱迁移模块，将每个生成的 RGB 与代理 RGB 对齐，估计软块级传输权重，并应用这些权重和可学习的局部插值核对代理 HSI 进行处理，合成高光谱图像；（iii）对齐监督微调阶段，使用代理 HSI 和合成的目标对齐 HSI 对在源分布上预训练的恢复网络进行微调，然后部署到受损目标图像上。我们进一步提供了理论分析，表明增强式微调可以通过同时提高目标分布覆盖率和控制光谱偏差，实现更低的目标域恢复风险。大量在模拟数据和真实数据上的实验（涵盖去噪和超分辨率任务）表明，HIR-ALIGN 在源数据-only 监督基线上 consistently 改进，超越了源数据-only 方法和许多无监督方法。
引用
@article{arxiv.2605.13581,
title = {HIR-ALIGN: Enhancing Hyperspectral Image Restoration via Diffusion-Based Data Generation},
author = {Li Pang and Heng Zhao and Yijia Zhang and Deyu Meng and Xiangyong Cao},
journal= {arXiv preprint arXiv:2605.13581},
year = {2026}
}