SPE-diff: a Physical Prior Guided Conditional Diffusion Model for Unsupervised High-Spatial-Resolution HSI Reconstruction

Tianzhu Liu

doi:10.1109/tgrs.2026.3737133

SPE-diff: a Physical Prior Guided Conditional Diffusion Model for Unsupervised High-Spatial-Resolution HSI Reconstruction

2026-09-24

0

PRE

AI

DOI：10.1109/tgrs.2026.3737133

原文链接

原文求助

摘要

En 中文

高光谱图像（HSI）存在空间分辨率低、重访周期长、覆盖宽度有限和数据稀缺等问题，而多光谱图像（MSI）在这些方面表现优异。多光谱图像的谱超分辨率（SSR）因此成为获取高分辨率、大范围覆盖高光谱图像的主流方法。然而，现有的深度学习SSR方法过度依赖数据驱动，缺乏物理可解释性，导致细节模糊和光谱失真，而短波红外（SWIR，1000-2500 nm）波段缺乏真实世界MSI及其光谱响应函数（SRF）进一步加剧了重建的不确定性。为解决上述问题，本文提出了一种结合SRF掩码、字典约束光谱先验和物理特征编码的无监督SSR条件扩散模型，命名为SPE-diff。该掩码-字典约束光谱扩散先验模块通过SRF随机掩码提高不可见波段的可推广性，并利用通过乘子交替方向法（ADMM）稀疏编码预训练的高光谱字典计算稀疏编码损失，从而在SWIR范围内实现精确恢复。我们将由MSI和SRF联合编码的物理信息与光谱先验对齐融合，得到融合物理引导和光谱先验知识的统一特征。随后，我们通过多级条件机制将此特征注入扩散模块，该机制增强了特征的信息量，而具有空间-光谱注意力的U-Net架构确保了空间和光谱维度的协同建模。SPE-diff最终需要高空间分辨率MSI（HRMSI）及其对应的SRF作为输入，输出高空间分辨率HSI（HRHSI）。实验表明，所提出的SPE-diff在400-2500 nm范围内可实现准确的SSR性能，同时保持高光谱一致性，并具有高实际应用潜力。

Keyword:

hyperspectral image

unsupervised spectral super-resolution

diffusion model

dictionary learning

SPE-diff: a Physical Prior Guided Conditional Diffusion Model for Unsupervised High-Spatial-Resolution HSI Reconstruction

摘要

期刊

机构

引用论文