AAAI2024最佳解读|Enhancing Hyperspectral Images via Diffusion Model and Group-Autoencoder

论文标题

Enhancing Hyperspectral Images via Diffusion Model and Group-Autoencoder Super-resolution Network 基于扩散模型和分组自编码器超分辨率网络的超光谱图像增强

论文链接

Enhancing Hyperspectral Images via Diffusion Model and Group-Autoencoder Super-resolution Network论文下载

论文作者

Zhaoyang Wang, Dongyang Li, Mingyang Zhang, Hao Luo, Maoguo Gong

内容简介

本文提出了一种新颖的超光谱图像（HSI）超分辨率（SR）模型，结合了扩散模型和分组自编码器（GAE）框架。现有的HSI SR方法在捕捉复杂的谱空间关系和低级细节方面存在困难，而扩散模型在建模复杂关系和学习高低级视觉特征方面表现出色。直接将扩散模型应用于HSI SR面临模型收敛困难和推理时间过长等挑战。为此，本文提出的GAE框架将高维HSI数据编码为低维潜在空间，使扩散模型能够更有效地工作，从而显著提高了模型的训练效率和推理速度。实验结果表明，该方法在多个自然和遥感HSI数据集上均优于现有的最先进方法，具有更好的视觉效果和度量性能。

分点关键点

1. GAE框架的创新

   • 本文提出的GAE框架通过将高维HSI数据编码为低维潜在空间，解决了扩散模型在高维数据上的训练和收敛问题。该框架有效地保持了波段相关性，并显著减少了推理时间。

2. 扩散模型的应用

   • 扩散模型在HSI SR任务中首次被应用，能够隐式捕获高低级特征，提升复杂谱空间关系的学习能力。通过与自编码器技术的结合，克服了收敛困难并提高了推理效率。

3. 实验验证

   • 在三个公开的HSI数据集上进行的广泛实验表明，所提出的方法在客观指标（如PSNR、SSIM等）和主观视觉质量方面均优于现有的最先进方法，验证了模型的有效性和实用性。

4. 模型架构与训练过程

   • 模型由两个主要训练阶段组成：第一阶段训练自编码器以编码输入数据，第二阶段训练扩散模型以生成超分辨率图像。通过这种分阶段的训练策略，模型能够有效地提取和重建HSI数据的特征。）

中文关键词

1. 超光谱图像
2. 超分辨率
3. 扩散模型
4. 自编码器
5. 光谱分组
6. 计算机视觉

AAAI论文合集：

AAAI论文合集

希望这些论文能帮到你！如果觉得有用，记得点赞关注哦~ 后续还会更新更多论文合集！！