ADMM-HFNet: Uma Abordagem Profunda Baseada em Decomposição de Matrizes para Fusão de Imagens Hiperespectrais

A fusão de imagem hiperespectral (HSI) refere-se à reconstrução de uma HSI de alta resolução ao fundir uma HSI de baixa resolução (LR-HSI) e uma imagem multiespectral de alta resolução (HR-MSI) sobre a mesma cena. Recentemente, pesquisadores propuseram várias abordagens para lidar com essa questão. No entanto, a maioria delas assume que tanto as funções de degradação espacial quanto espectral são conhecidas, o que muitas vezes é limitado ou indisponível na realidade. Este artigo apresenta uma nova rede profunda orientada a modelo baseada em decomposição de matriz, que considera correlações espectrais e incorpora de maneira razoável os conhecidos modelos de observação. Especificamente, o método proposto decompõe a HSI desejada em uma base espectral e coeficientes. A base espectral pode ser estimada a partir da LR-HSI via decomposição de valor singular. Para aprender os coeficientes, um modelo de aprendizado é construído mesclando os modelos de observação, decomposição de matriz e esparsidade em uma formulação única e concisa. Para resolver o modelo proposto, uma estrutura profunda é construída desdobrando o método de direções alternadas de multiplicadores (ADMM), denominado ADMM-HFNet, onde os parâmetros envolvidos podem ser aprendidos adaptativamente. Vale a pena notar que a base espectral não pode representar totalmente a HSI desejada. Portanto, outro modelo é construído aqui para suplementar o erro de aproximação, que também pode ser incorporado na rede profunda. Após verificações em três conjuntos de dados, constatou-se que o método proposto se destaca em relação a técnicas concorrentes avançadas tanto nas medidas de qualidade quanto nos efeitos visuais.