Hyperspektrale Bildsuperauflösung unter Verwendung von Spektrum und Merkmal-Kontext

Auf Deep Learning basierende Methoden zur hyperspektralen Bildsuperauflösung haben kürzlich große Erfolge erzielt. Die meisten Methoden nutzen jedoch 2D- oder 3D-Konvolution zur Untersuchung von Merkmalen und kombinieren selten die beiden Arten von Konvolution zur Gestaltung von Netzwerken. Darüber hinaus verwenden fast alle Methoden, bei denen das Modell nur 3D-Konvolution enthält, alle Bänder des hyperspektralen Bildes als Eingabe zur Analyse, was einen höheren Speicherbedarf erfordert. Um diese Probleme zu adressieren, erkunden wir eine neue Struktur für die hyperspektrale Bildsuperauflösung unter Verwendung von Spektrum und Merkmal-Kontext. Inspiriert von der hohen Ähnlichkeit benachbarter Bänder entwerfen wir ein Dual-Channel-Netzwerk durch 2D- und 3D-Konvolution, um die Informationen sowohl aus einzelnen Bändern als auch aus benachbarten Bändern gemeinsam zu nutzen, was sich von früheren Arbeiten unterscheidet. Unter der Verbindung von Tiefenteilung kann es effektiv räumliche Informationen teilen, um die Lernfähigkeit des 2D-Raumdomäne zu verbessern. Außerdem führt unsere Methode die aus dem vorherigen Band extrahierten Merkmale ein, was zur Komplementarität der Informationen beiträgt und die Netzwerkstruktur vereinfacht. Durch die Fusion des Merkmalskontexts verbessert es signifikant die Leistung des Algorithmus. Umfassende Bewertungen und Vergleiche auf drei öffentlichen Datensätzen zeigen, dass unser Ansatz die fortschrittlichsten Ergebnisse im Vergleich zu bestehenden Ansätzen liefert.