.png){kind=icon}
返回
Subspace-frequency regularization for hyperspectral image super-resolution
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2026.115620.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高光谱图像超分辨率（HSISR）旨在融合一幅高分辨率多光谱图像（HR-MSI）与一幅低分辨率高光谱图像（LR-HSI）。然而，现有的深度学习方法往往忽略了高光谱数据的固有低秩光谱特性，而经典的子空间方法则依赖手动限定的先验信息且计算迭代密集。为弥合这一差距，我们提出了SSFNR，一种基于子空间的深度先验正则化框架，该框架将物理退化约束与深度学习相结合。在SSFNR中，目标HR-HSI通过从LR-HSI导出的闭式基在紧凑的低秩子空间中表示。空间系数随后通过三阶段粗到精的流水线恢复：初步估计采用Sylvester求解器，深度估计利用所提出的子空间空间-频率网络（SSFNet）注入可学习先验，以及精确估计强制数据保真度。SSFNet完全在子空间内运行，其特征是包含一个空间-频率融合块（SFFB），该块能够实现双域交互以高效捕获全局依赖关系。此外，还集成了光谱增强（SE）模块和双门控前馈网络（DGFN）以分别保持光谱一致性和强化局部上下文建模。在四个基准数据集上的广泛实验表明，SSFNR在重建精度和光谱保真度方面始终优于当前高光谱图像超分辨率领域的先进方法。总体而言，SSFNR为高光谱图像超分辨率提供了一种准确、高效且可解释的解决方案，代码公开可访问于https://github.com/chuangjiefang/SSFNR。
Keyword:
hyperspectral image super-resolution
low-rank subspace
deep prior regularization
spatial-frequency fusion
spectral enhancement
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
分享收藏GuidedNet: A General CNN Fusion Framework via High-Resolution Guidance for Hyperspectral Image Super-ResolutionGuidnet: 基于高分辨率指导的高光谱图像超分辨率通用CNN融合框架
OAAI
OAAI分享收藏Learning a 3D-CNN and Transformer prior for hyperspectral image-resolution高光谱图像分辨率的3D-CNN和变压器先验学习.png)
INFORMATION FUSION
OAAI
INFORMATION FUSIONIF15.5
OAAI分享收藏Cross-Scope Spatial-Spectral Information Aggregation for Hyperspectral Image Super-Resolution高光谱图像超分辨率的跨范围空间-光谱信息聚合OAAI
OAAI分享收藏
查看更多内容