点击下方卡片,关注“CVer”公众号
AI/CV重磅干货,第一时间送达
添加微信:CVer444,小助手会拉你进群!
扫描下方二维码,加入CVer学术星球,可以获得最新顶会/顶刊上的论文idea和CV从入门到精通资料,及最前沿应用!发论文搞科研,强烈推荐!
转载自:科研之高光谱
你好,今天介绍一篇高光谱图像超分辨率论文,发表在IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI) 2024上,作者来自西北工业大学。
高光谱图像超分辨率需要推断潜在的高分辨率图像的后验分布,这需要合适的图像先验和观察图像的似然分布。然而,实际场景中高光谱图像的先验可能非常复杂,退化情况通常也是未知的,这使得准确推断每个潜在高光谱图像的后验分布变得困难。
这篇论文介绍了一种无监督测试时自适应学习框架(Unsupervised Test-time Adaptation Learning,UTAL),用于处理未知退化情况下的高光谱图像超分辨率问题。
该框架采用两阶段学习策略,第一阶段使用监督学习预训练一个内容无关的图像先验,第二阶段使用无监督学习自适应该先验到每个高光谱图像,同时估计未知的退化情况。这种分治策略简化了复杂图像先验的建模,提高了先验的准确性。
第一阶段使用一种新的互导网络架构,第二阶段使用轻量级的自导网络架构。退化网络使用简单结构来估计未知退化。
在更复杂的盲超分辨率情况下,通过元学习和交替优化策略进一步缓解了过拟合问题,提高了UTAL的泛化性能。
在半盲和盲超分辨率任务中,UTAL框架都优于现有方法,显示出更强的泛化性能。同时,在HSI其他恢复任务中也展现了有效性。
UTAL框架通过两阶段学习和无监督自适应学习,能够处理复杂高光谱图像的超分辨率问题,并具有较强的泛化性能。
何恺明在MIT授课的课件PPT下载
在CVer公众号后台回复:何恺明,即可下载本课程的152页课件PPT!赶紧学起来!
CVPR 2024 论文和代码下载
在CVer公众号后台回复:CVPR2024,即可下载CVPR 2024论文和代码开源的论文合集
超分辨率交流群成立
扫描下方二维码,或者添加微信:CVer444,即可添加CVer小助手微信,便可申请加入CVer-超分辨率微信交流群。另外其他垂直方向已涵盖:目标检测、图像分割、目标跟踪、人脸检测&识别、OCR、姿态估计、超分辨率、SLAM、医疗影像、Re-ID、GAN、NAS、深度估计、自动驾驶、强化学习、车道线检测、模型剪枝&压缩、去噪、去雾、去雨、风格迁移、遥感图像、行为识别、视频理解、图像融合、图像检索、论文投稿&交流、PyTorch、TensorFlow和Transformer、NeRF等。
一定要备注:研究方向+地点+学校/公司+昵称(如超分辨率+上海+上交+卡卡),根据格式备注,可更快被通过且邀请进群
▲扫码或加微信号: CVer444,进交流群
CVer计算机视觉(知识星球)来了!想要了解最新最快最好的CV/DL/AI论文速递、优质实战项目、AI行业前沿、从入门到精通学习教程等资料,欢迎扫描下方二维码,加入CVer计算机视觉(知识星球),已汇集近万人!
▲扫码加入星球学习
▲点击上方卡片,关注CVer公众号
整理不易,请点赞和在看