基于透视等价性的无监督多光谱马赛克去复原
计算机视觉与模式识别
2026-04-21 v2
摘要
多光谱马赛克去复原对于从快照马赛克测量中重建全分辨率光谱图像至关重要，使从神经外科手术到自动驾驶实现实时成像成为可能。经典方法模糊，而监督学习需要来自慢速扫描系统的高昂成本获得的真实参考（GT）。我们提出基于透视等价性的马赛克去复原微调（PEFD），该框架仅从马赛克测量中学习多光谱去复原。PEFD一是利用基于相机的成像系统的透视几何，发掘比以往方法更丰富的群结构，以恢复更多零空间信息；二是通过适配针对1-3通道成像设计的预训练基础模型来高效学习，而无需GT。在外科和汽车数据集上，PEFD恢复血管等细节，保持光谱保真度，显著优于最近的方法，接近监督学习性能。此外，PEFD在来自商业多光谱传感器的原始、未经处理的数据上也表现出色。代码地址：https://github.com/Andrewwango/pefd。
引用
@article{arxiv.2603.01332,
title = {Perspective-Equivariant Fine-tuning for Multispectral Demosaicing without Ground Truth},
author = {Andrew Wang and Mike Davies},
journal= {arXiv preprint arXiv:2603.01332},
year = {2026}
}
备注
To appear in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2026