蝶残余网络:使用光谱变压器和深度智能卷积的混合方法,用于超光谱图像超分辨率

科学领域:

• 遥感 遥感 遥感 遥感
• 计算机视觉 计算机视觉
• 信号处理 信号处理

背景情况:

• 超高分辨率的超光谱图像 (HSI) 重建是一个错误的反向问题,需要使用高分辨率的多光谱图像 (HR-MSI) 增强低分辨率的HSI (LR-HSI).
• 当前的方法通常依赖于深层残余网络,但深度增加可能会导致特征冗余和高维光谱任务中的性能和.

研究的目的:

• 开发一种新的蝶残余网络 (BRNet),用于准确且计算效率高的HSI超分辨率重建.
• 优化学习策略和特征提取流程,以改善HSI增强.

主要方法:

• BRNet集成了光谱变压器和深度智能卷积,以实现最佳的准确性和效率.
• 具有融合参数生成的递归结构可以实现自适应修剪和高效的特征融合.
• 一个光谱空间交互 (SSI) 模块和一个卷积封闭的前网络 (FFN) 用于增强的特征融合和局部特征提取,降低了复杂性.

主要成果:

• 对三种超频谱数据集的实验评估表明,BRNet的性能优于现有的最先进的方法.
• 拟议的方法在HSI超分辨率重建的各种指标上实现了卓越的性能.

结论:

• 在HSI超分辨率中,BRNet有效地解决了功能冗余和性能和的挑战.
• 新型架构在超光谱超分辨率重建的准确性和计算效率上都取得了显著的改进.