基于自适应残差引导子空间扩散模型的自学习高光谱与多光谱图像融合
计算机视觉与模式识别
2025-05-20 v1 图像与视频处理
摘要
高光谱和多光谱图像（HSI-MSI）融合涉及将低分辨率高光谱图像（LR-HSI）与高分辨率多光谱图像（HR-MSI）组合，以生成高分辨率高光谱图像（HR-HSI）。大多数深度学习方法的 HSI-MSI 融合依赖大量高光谱数据进行监督训练，但在实际应用中常常稀缺。本文提出一种自学习自适应残差引导子空间扩散模型（ARGS-Diff），仅利用观测图像即可完成训练。具体而言，由于 LR-HSI 包含光谱信息且 HR-MSI 包含空间信息，我们设计两种轻量级光谱和空间扩散模型分别从中学习光谱和空间分布。随后，这两种模型在逆扩散过程中用于从两个低维分量（即光谱基和简化系数）重构 HR-HSI。进一步引入自适应残差引导模块（ARGM），通过残差引导函数在每个采样步骤中细化这两个分量，从而稳定采样过程。广泛的实验结果表明，ARGS-Diff 在性能和计算效率方面均优于现有领域的状态突破方法。代码已公开：https://github.com/Zhu1116/ARGS-Diff。
引用
@article{arxiv.2505.11800,
title = {Self-Learning Hyperspectral and Multispectral Image Fusion via Adaptive Residual Guided Subspace Diffusion Model},
author = {Jian Zhu and He Wang and Yang Xu and Zebin Wu and Zhihui Wei},
journal= {arXiv preprint arXiv:2505.11800},
year = {2025}
}
备注
cvpr