面向无监督高光谱图像超分辨率的模型启发式自编码器
图像与视频处理
2023-01-05 v1 计算机视觉与模式识别
摘要
本文关注高光谱图像（HSI）超分辨率，旨在融合低空间分辨率 HSI 与高空间分辨率多光谱图像以形成高空间分辨率 HSI（HR-HSI）。现有基于深度学习的方法多为有监督，依赖大量标注训练样本，这并不现实。常用的基于模型的方法无监督且灵活，但依赖手工先验。受模型特定性质启发，我们首次尝试以无监督方式设计模型启发的深度网络用于 HSI 超分辨率。该方法由构建于目标 HR-HSI 上的隐式自编码器网络组成，将每个像素视为独立样本。目标 HR-HSI 的非负矩阵分解（NMF）被整合进自编码器网络，其中 NMF 的两部分——光谱矩阵与空间矩阵——分别作为解码器参数与隐藏输出。在编码阶段，我们提出逐像素融合模型直接估计隐藏输出，随后重构并展开该模型的算法以形成编码器网络。凭借特定架构，所提网络类似于基于流形先验的模型，且可逐块训练而非整图训练。此外，我们提出一个额外的无监督网络来估计点扩散函数与光谱响应函数。在合成与真实数据集上的实验结果表明了所提方法的有效性。
引用
@article{arxiv.2110.11591,
title = {Model Inspired Autoencoder for Unsupervised Hyperspectral Image Super-Resolution},
author = {Jianjun Liu and Zebin Wu and Liang Xiao and Xiao-Jun Wu},
journal= {arXiv preprint arXiv:2110.11591},
year = {2023}
}