学习空间-光谱先验用于高光谱图像超分辨率
图像与视频处理
2020-05-26 v2 计算机视觉与模式识别
机器学习
多媒体
摘要
近来，基于深度卷积神经网络（DCNNs）的先进机器学习技术使单幅灰度/RGB 图像超分辨率重建任务得到广泛研究并取得显著进展。然而，由于高光谱图像中高维且复杂的光谱模式，针对单幅高光谱图像超分辨率的技术发展有限。本文通过研究如何适配最先进（state-of-the-art）的基于残差学习的单幅灰度/RGB 图像超分辨率方法以实现计算高效的单幅高光谱图像超分辨率（称为 SSPSR）向前迈进了一步。具体而言，我们引入空间-光谱先验网络（SSPN）以充分利用高光谱数据的空间信息及光谱间相关性。考虑到高光谱训练样本稀缺且高光谱图像数据光谱维度极高，训练稳定有效的深度网络并非易事。因此，提出了一种组卷积（共享网络参数）与渐进上采样框架。这不仅缓解了高维高光谱数据带来的特征提取困难，也使训练过程更加稳定。为利用空间与光谱先验，我们设计了空间-光谱块（SSB），由空间残差模块与光谱注意力残差模块组成。在一些高光谱图像上的实验结果表明，所提 SSPSR 方法增强了恢复的高分辨率高光谱图像的细节，且优于现有最先进方法。源代码见 \url{https://github.com/junjun-jiang/SSPSR}。
引用
@article{arxiv.2005.08752,
title = {Learning Spatial-Spectral Prior for Super-Resolution of Hyperspectral Imagery},
author = {Junjun Jiang and He Sun and Xianming Liu and Jiayi Ma},
journal= {arXiv preprint arXiv:2005.08752},
year = {2020}
}
备注
Accepted for publication at IEEE Transactions on Computational Imaging