.png){kind=icon}
返回
Diffusion models for hyperspectral image analysis: A comprehensive review
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2026.109109.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高光谱图像（HSI）分析在遥感、农业和环境监测中发挥着关键作用。然而，传统方法往往难以处理HSI数据固有的高维性、光谱冗余和噪声问题，限制了其准确性和可扩展性。近年来，扩散模型——包括去噪扩散概率模型和基于随机微分方程的其他生成框架——在捕捉复杂的光谱-空间结构以及生成高保真HSI数据方面显示出巨大潜力。这些模型为噪声抑制、数据增强、分类和异常检测等任务提供了有效解决方案。本文综述了扩散模型在HSI处理领域的最新进展。我们分类现有方法，突出它们在处理高维数据方面的优势，并比较其与传统方法的表现。特别关注了变化检测和灾后异常识别等关键应用。综述还讨论了当前局限性，如计算成本和训练稳定性问题，并概述了潜在的研究方向。我们的主要贡献可总结为：提供了基于扩散的HSI方法的系统分类，考察了它们在主要遥感任务中的应用，并就未来研究的潜在方向提供了见解。通过这些努力，本文旨在支持学术界利用深度学习模型实现更有效和高效的高光谱图像分析。
Keyword:
Hyperspectral image
Diffusion model
Noise supression
Data augmentation
Anomaly detection
Remote sensing
期刊
IF:
6.3
论文数:
8.3K
被引数:
3.0W
机构
引用论文
Unveiling the potential of diffusion model-based framework with transformer for hyperspectral image classification.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏SRDiff: Single image super-resolution with diffusion probabilistic modelsSRDiff: 具有扩散概率模型的单幅图像超分辨率NEUROCOMPUTINGOAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏
分享收藏From degrade to upgrade: Learning a self-supervised degradation guided adaptive network for blind remote sensing image super-resolution从退化到升级: 学习自监督退化引导自适应网络的盲遥感图像超分辨率INFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
分享收藏
查看更多内容