图像重构---从RGB重构高光谱

2021-ICCV-Semantic-embedded Unsupervised Spectral Reconstruction from Single RGB Images in the Wild
— 源码

2020-CVPR-Hierarchical Regression Network for Spectral Reconstruction from RGB Images
— 源码

2020-CVPR-Adaptive Weighted Attention Network with Camera Spectral Sensitivity Prior for Spectral Reconstruction from RGB Images
— 源码

2020-Light Weight Residual Dense Attention Net for Spectral Reconstruction
— 源码

网络架构

一文读懂HRNet
超级快的HRNet
突破置换模块计算瓶颈，MSRA开源轻量版HRNet，超越主流轻量化网络！｜CVPR2021
论文笔记：HR-NAS (CVPR2021 Oral)（xys：HRnet+transformer，并搜索了HRnet中的卷积结构）

一些传统方法

Compressive Spectral Image Reconstruction using Deep prior and Low-Rank Tensor Representation
— 源码

压缩光谱成像 (CSI) 已成为一种替代光谱图像采集技术，它以需要恢复过程为代价减少了测量次数。通常，重建方法基于在优化算法中用作正则化器的手工先验，或者最近用作图像生成器的深度神经网络来学习从低维压缩测量到图像空间的非线性映射。然而，这些深度学习方法需要许多光谱图像才能获得良好的性能。
在这项工作中，提出了一个没有训练数据的 CSI 深度恢复框架。所提出的方法基于以下事实：一些深度神经网络的结构和适当的低维结构足以强加来自 CSI 的基础光谱图像的结构。我们通过在第一个网络层建模的 Tucker 表示分析了低维结构。所提出的方案是通过最小化压缩测量和预测测量之间的 L2- 范数距离来获得的，并且在前向算子之前形成所需的恢复光谱图像。仿真和实验结果验证了所提出的编码孔径快照光谱成像方法的有效性。

Deep Low-Dimensional Spectral Image Representation for Compressive Spectral Reconstruction
— 源码

基于模型的深度学习技术是压缩光谱成像重建的最新技术。这些方法将深度神经网络 (DNN) 集成为光谱图像表示，用作优化问题中的先验信息，以增加非线性表示的维数（即要恢复的参数数量）为代价显示最佳结果。本文提出了一种基于自动编码器的网络，该网络通过特征缩减来保证低维光谱表示，可用作压缩光谱成像重建的先验。此外，基于所获得的低维光谱表示保留了场景的空间结构的实验观察，这项工作利用生成的特征空间中的稀疏性，通过使用小波基来进一步减少逆问题的维数。与最先进的方法相比，所提出的方法显示出高达 2 dB 的改进。

2017-ACM-High-Quality Hyperspectral Reconstruction Using a Spectral Prior
— 源码