顶刊TPAMI 2024！高光谱图像超分辨率：无监督测试时自适应学习框架

点击下方卡片，关注“CVer”公众号

AI/CV重磅干货，第一时间送达

点击进入—>【超分辨率】交流群

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