Aprendizado Profundo Híbrido para Super-Resolução de Imagem Única Hiperspectral

A super-resolução de imagem única hiperspectral (SISR) é uma tarefa desafiadora devido à dificuldade de restaurar detalhes espaciais finos enquanto preserva a fidelidade espectral em uma ampla gama de comprimentos de onda, o que limita o desempenho dos modelos convencionais de aprendizado profundo. Para enfrentar esse desafio, introduzimos a Fusão de Desagregação Espectral-Espaço (SSUF), um novo módulo que pode ser integrado perfeitamente em arquiteturas convolucionais 2D padrão para aprimorar tanto a resolução espacial quanto a integridade espectral. O SSUF combina desagregação espectral com extração de recursos espectral-espaciais e orienta uma rede neural convolucional baseada em ResNet para uma reconstrução aprimorada. Além disso, propomos uma função de perda de Gradiente Espacial-Espectral personalizada que integra erro quadrático médio com componentes de gradiente espacial e espectral, incentivando a reconstrução precisa de recursos espaciais e espectrais. Experimentos em três conjuntos de dados hiperespectrais públicos demonstram que o modelo híbrido de aprendizado profundo proposto alcança um desempenho competitivo enquanto reduz a complexidade do modelo.