多通道体积密度神经辐射场用于高光谱成像
Runchuan Ma1, Sailing He2,3
1National Engineering Research Center for Optical Instruments, Centre for Optical and Electromagnetic Research, College of Optical Science and Engineering, Zhejiang University, Hangzhou, 310058, China.
Scientific reports
|May 9, 2025
概括
这项研究引入了一种用于高光谱成像的新型神经辐射场 (NeRF) 方法,提高了图像生成质量和稳定性. 增强的NeRF有效地解决了噪声和数据的限制,从而实现了卓越的超频谱图像重建.
科学领域:
- 计算机视觉 计算机视觉
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 超光谱成像 (HSI) 可以捕获详细的光谱信息,但面临着长时间采集和数据稀缺等挑战.
- 神经辐射场 (NeRF) 提供了新的视图合成,但需要适应超频谱数据,特别是关于噪声和融合问题的数据.
研究的目的:
- 开发一种针对高光谱成像的强大的神经辐射场 (NeRF) 方法.
- 通过减轻噪声和改善融合,通过有限的数据来增强高光谱图像的生成.
- 与传统的RGB方法相比,改进对象歧视能力.
主要方法:
- 提出了一种新的NeRF方法,利用多通道体积密度分布函数.
- 利用高频谱数据特征来解决由噪声引起的局部收误差.
- 开发了一种方法,从有限的超光谱图像中生成神经辐射场.
主要成果:
- 拟议的方法在各种条件下生成高光谱图像方面表现出卓越的性能.
- 达到了 37.66 的最大峰值信号噪声比 (PSNR) 和 0.982.98 的最大结构相似度指数 (SSIM) 测量.
- 在各种场景中提高了超光谱NeRF方法的稳定性.
结论:
- 开发的多通道体积密度NeRF方法有效地克服了超频谱数据采集和处理的局限性.
- 这种方法显著提高了生成的超光谱图像的质量和稳定性.
- 这一进步有望改善下游任务,如对象歧视.
