基于混合粒度隐式表示的连续高光谱压缩重建
计算机视觉与模式识别
2025-03-18 v1 图像与视频处理
摘要
高光谱图像（HSIs）在诸多领域至为重要，但受限于传统光谱仪器的长时间获取，存在获取时间较长的瓶颈。CASSI（Coded Aperture Snapshot Spectral Imaging）系统通过压缩技术缓解了这一问题，加速了获取过程。然而，从压缩数据重建 HSIs 面临固定的空间和光谱分辨率约束。本研究引入一种新方法，利用隐式神经表示进行连续高光谱图像重建。我们提出了混合粒度隐式表示（MGIR）框架，包括用于高效多尺度隐式特征提取的层次光谱-空间隐式编码器。这一组件由混合粒度局部特征聚合器补充，该聚合器能够在尺度之间自适应地整合局部特征，搭配一个解码器，融合坐标信息以实现精确重建。通过利用隐式神经表示，MGIR 框架实现了任意期望的空间-光谱分辨率重建，显著增强了 CASSI 系统的灵活性和适应性。广泛的实验评估表明，本模型在任意分辨率下均能产生重建图像，并在 various 光谱-空间压缩比例下与最先进的方法相匹配。代码将在 https://github.com/chh11/MGIR 上发布。
引用
@article{arxiv.2503.12783,
title = {Mixed-granularity Implicit Representation for Continuous Hyperspectral Compressive Reconstruction},
author = {Jianan Li and Huan Chen and Wangcai Zhao and Rui Chen and Tingfa Xu},
journal= {arXiv preprint arXiv:2503.12783},
year = {2025}
}
备注
Accepted by TNNLS