TPAMI 2025 | 超光谱图像超分辨率的测试时训练方法

最新推荐文章于 2025-05-15 12:26:26 发布
最新推荐文章于 2025-05-15 12:26:26 发布
阅读量55 收藏
点赞数
分类专栏： 论文解读 IEEE TPAMI 文章标签： IEEE TPAMI 深度学习 论文解读 顶刊论文
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42722197/article/details/145078561
版权

论文信息

题目：Test-time Training for Hyperspectral Image Super-resolution
超光谱图像超分辨率的测试时训练方法
作者：Ke Li; Luc Van Gool; Dengxin Dai

论文创新点

  1. 测试时训练方法：提出了一种新的测试时训练方法，通过自训练框架生成更准确的伪标签和LR-HR关系，使模型能够在测试期间进一步适应新数据，从而提高HSI SR的性能。

  2. 网络架构设计：设计了一种简单但有效的分组超分辨率网络，专注于空间图像超分辨率，而不需要建模光谱波段交互。这种设计不仅提高了标准HSI SR的性能，还特别适合测试时训练。

  3. 数据增强方法：提出了一种新的数据增强方法——光谱混合（Spectral Mixup），通过混合不同波段的内容生成新的光谱图像，增加训练数据的多样性，同时保留HSI的详细

了解本专栏 订阅专栏 解锁全文
TPAMI 2024 | 超光谱图像超分辨率的测试时训练方法
小白学视觉
02-22 30
超光谱图像（HSI）超分辨率（SR）的研究进展仍然落后于RGB图像SR的研究。HSI通常具有大量光谱波段，因此准确建模光谱波段交互对于HSI SR来说非常困难。此外，HSI SR的训练数据难以获取，因此数据集通常较小。在这项工作中，我们提出了一种新的测试时训练方法来解决这个问题。具体来说，我们开发了一种新的自训练框架，通过生成更准确的伪标签和更准确的LR-HR关系，使模型能够进一步训练以提高性能。
TPAMI 2024 | 用于高光谱图像恢复的潜扩散增强矩形变压器
小白学视觉
01-07 152
高光谱图像（HSI）的恢复在后续的高光谱图像应用中扮演着关键角色。尽管深度学习具有显著的能力，但当前的HSI恢复方法在有效探索HSI内在的空间非局部自相似性和光谱低秩特性方面面临挑战。本文通过引入一种潜在扩散增强的矩形Transformer来解决HSI恢复问题，该方法解决了非局部空间相似性和HSI特有的潜在扩散低秩特性的问题。为了有效地捕获非局部空间相似性，我们提出了多形状空间矩形自注意力模块，该模块在水平和垂直方向上都能使用，使模型能够利用信息丰富的空间区域进行HSI恢复。
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
阿木寺的博客
03-14 1888
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 Pa...
TPAMI 2024 | 基于光谱辐射可分离性增强的遥感图像阴影检测
小白学视觉
06-07 184
阴影检测是遥感图像分析的基本任务，但它常常受到植被、水体和黑色物体的严重干扰。观察到植被和黑暗物体在可见光波段显示为暗色，但在近红外（NIR）波段则较亮，同时注意到内陆水体在绿波段的反射强于蓝波段。利用这些物理特性，并结合阴影的蓝色和暗色外观，我们提出了一种简单但有效的多光谱遥感图像阴影检测方法。这些物理特性被用来创建转换模型，抑制植被、水体等特征，同时增强阴影。然后，我们将阴影表示转换为颜色空间，使用主色成分生成候选阴影。
TPAMI 2024 | 单目深度估计：全面综述
小白学视觉
07-24 1695
在计算机视觉领域，对二维图像中深度的估计是一个具有挑战性的主题。这是一个长期被深入研究且定义不明确的问题，一直是密集研究的焦点。本文是对这一主题的深入回顾，呈现了两个方面：一方面考虑人类深度感知的机制，另一方面包括各种深度学习方法。这些方法以紧凑和结构化的方式呈现，概述了主题，并根据近十年的研究线索对方法进行了分类。尽管在这一主题上取得了显著进展，但似乎没有任何与人类深度感知及其潜在益处的联系。
TPAMI 2024 | 深度有损加残差编码用于无损和近无损图像压缩
小白学视觉
06-18 325
作者：Yuanchao Bai; Xianming Liu; Kai Wang; Xiangyang Ji; Xiaolin Wu; Wen Gao无损和近无损图像压缩对于许多技术领域的专业用户至关重要，如医学、遥感、精密工程和科学研究。然而，尽管基于学习的图像压缩研究兴趣迅速增长，但没有任何已发表的方法同时提供无损和近无损模式。在本文中，我们提出了一种统一且强大的深度有损加残差 (DLPR) 编码框架，用于无损和近无损图像压缩。在无损模式下，DLPR 编码系统首先执行有损压缩，然后对残差进行无损编码。我们
TPAMI 2024 | 无监督测试时间适应学习用于在未知退化下实现高效的高光谱图像超分辨率
小白学视觉
08-15 219
题目：Unsupervised Test-Time Adaptation Learning for Effective Hyperspectral Image Super-Resolution With Unknown Degeneration 无监督测试时间适应学习用于在未知退化下实现高效的高光谱图像超分辨率 作者：Lei Zhang; Jiangtao Nie; Wei Wei; Yanning Zhang 摘要 将低分辨率的高光谱图像（HSI）与高分辨率的多光谱图像融合提供了一种有效的HSI超分辨率
TPAMI 2024 | NeMF：神经微物理场
小白学视觉
01-22 71
在科学成像中的逆问题经常寻求对异质场景材料的物理表征。场景因此由物理量表示，例如整个域中的粒子（微物理）的密度和大小。此外，前向图像形成模型是物理的。一个重要案例是云，其中三维（3D）中的微物理决定了云的动力学、寿命和反照率，对地球能量平衡、可持续能源和降雨有影响。然而，当前方法恢复的微物理表示非常退化。为了使所有必需的微物理参数的3D体积恢复成为可能，我们引入了神经微物理场（NeMF）。它基于深度神经网络，输入是多视图偏振图像。NeMF通过监督学习进行预训练。
TPAMI 2024 | 利用相机原始快照进行高效的视觉计算
小白学视觉
08-05 179
题目：Efficient Visual Computing With Camera RAW Snapshots 利用相机原始快照进行高效的视觉计算 作者：Zhihao Li; Ming Lu; Xu Zhang; Xin Feng; M. Salman Asif; Zhan Ma 源码链接： https://njuvision.github.io/rho-vision 摘要 传统相机在传感器上捕获图像辐照度（RAW），并使用图像信号处理器（ISP）将其转换为RGB图像。然后，这些图像可以用于摄影或在各种应
深度学习入门：深度学习（完结）
最新发布
2301_79704601的博客
05-15 854
正如大家能想到的，这样的方法需要按照像素数量进行相应次forward处理，因而需要耗费大量的时间（正确地说，卷积运算中会发生重复计算很多区域的无意义的计算）。R-CNN中会将图像变形为正方形，或者在分类时使用SVM（支持向量机），实际的处理流会稍微复杂一些，不过从宏观上看，也是由刚才的两个处理（候选区域的提取和CNN特征的计算）构成的。这个递归指的是神经网络的递归的网络结构。在R-CNN的前半部分的处理——候选区域的提取（发现形似目标物体的处理）中，可以使用计算机视觉领域积累的各种各样的方法。
Pycharm（十九）深度学习
higerwy的博客
05-06 1500
深度学习是机器学习中的一种特殊方法，它使用称为神经网络的复杂结构，特别是“深层”的神经网络，来学习和做出预测。深度学习特别适合处理大规模和高维度的数据，如图像、声音和文本。深度学习、机器学习和人工智能之间的关系如下图所示：深度学习⊆机器学习⊆人工智能优点：1）精度高，性能优于其他的机器学习算法，甚至在某些领域超过了人类；2）随之计算机硬件的发展，可以近似任意的非线性函数；3）近年来在学界和业界受到了热捧，有大量的框架和库可供调。缺点：1）黑箱。
基于EMD-PCA-LSTM的光伏功率预测模型研究
专注AI大模型,软件混淆,授权
05-14 93
本文提出了一种结合经验模态分解(EMD)、主成分分析(PCA)和长短期记忆网络(LSTM)的混合模型，用于提高光伏功率预测的准确性。该模型首先利用EMD将非平稳的光伏功率序列分解为多个本征模态函数(IMF)，然后通过PCA对多维气象特征进行降维处理，最后将处理后的特征输入LSTM网络进行预测。实验结果表明，与单一LSTM模型和传统预测方法相比，EMD-PCA-LSTM模型在预测精度和稳定性方面均有显著提升。该模型有效处理了光伏功率序列的非平稳性和非线性，同时通过特征降维提高了模型效率，为光伏功率预测提供了一
人工智能-深度学习之循环神经网络
m0_51678367的博客
05-14 745
LSTM文本生成实战summary1、通过搭建LSTM模型，实现了基于文本序列的字符生成功能；2、学习了文本加载、字典生成方法；3、掌握了文本的数据预处理方法，并熟悉了转化数据的结构；4、实现了对新文本数据的字符预测。
使用深度学习预训练模型检测物体
xinyu的记录博客
05-14 764
使用 GeoAI 工具和预训练模型自动检测棕榈树。
PyTorch实战（4）——卷积神经网络(Convolutional Neural Network, CNN)详解
盼小辉丶的博客
05-12 1293
卷积神经网络 (Convolutional Neural Network, CNN) 是一种广泛应用的深度学习模型。通过参数共享、局部感知和空间结构等优势，能够更好地处理图像数据，并在图像识别、目标检测和图像生成等任务中展现出强大的能力。在本节中，介绍了卷积的计算方法以及卷积神经网络的基本组件，并使用 PyTorch 构建了卷积神经网络以深入了解其工作原理。
Lora原理及实现浅析
m0_68784427的博客
05-11 770
简单介绍了Lora的原理及
基于深度学习进行运输系统优化
weixin_69327572的博客
05-15 542
from torch.utils.data import Dataset, DataLoader # 数据加载。self.num_samples = num_samples # 样本数量。self.num_tasks = num_tasks # 任务数量。self.num_vehicles = num_vehicles # 车辆数量。# y[i][j][k]: 车辆j是否从任务i行驶到任务k（二进制变量）return self.num_samples # 返回数据集大小。
深度学习入门：卷积神经网络
2301_79704601的博客
05-14 1001
而在实际的卷积运算中，滤波器的应用区域几乎都是重叠的。实际上，前面提到的使用了MNIST数据集的例子中，输入图像就是1通道、高28像素、长28像素的（1, 28, 28）形状，但却被排成1列，以784个数据的形式输入到最开始的Affine层。当时，第1层的卷积层的权重的形状是(30, 1, 5, 5)，即30个大小为5 × 5、通道为1的滤波器。比如，空间上邻近的像素为相似的值、RBG的各个通道之间分别有密切的关联性、相距较远的像素之间没有什么关联等，3维形状中可能隐藏有值得提取的本质模式。
pytorch RNNCell
qq_45812220的博客
05-15 101
可以看到，每一次把输入送入RNNCell的过程，就是把输入部分和隐藏状态部分分别经过简单全连接层，并接上激活函数的过程。pytorch RNNCell的一次前馈本质上就是一个线性层。
2007年TPAMI：无监督图像对象识别与多尺度分割新方法
这种方法不仅关注单个图像，而是构建一个多尺度的图像分割表示，这有助于捕捉对象的复杂结构。 接下来，作者构建了一个基于这些属性的区域结构模型，这是一种将图像区域的几何和纹理特性组织在一起的模型。这个模型...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小白学视觉

您的赞赏是我们坚持下去的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值