基于语义引导对比纹理匹配与渐进Mamba增强纹理注入的非配对高光谱图像超分辨率重建
《IEEE Transactions on Multimedia》:Unpaired Hyperspectral Image Super-Resolution via Semantic-Guided Contrastive Texture Matching and Progressive Mamba Enhanced Texture Injection
【字体:
大
中
小
】
时间:2026年10月21日
来源:IEEE Transactions on Multimedia 9.9
编辑推荐:
通过配对的高分辨率多光谱图像(MSIs)进行的高光谱图像超分辨率重建(HISR)已引起广泛关注。然而,在不同成像条件下获取对齐良好的高光谱图像(HSIs)和多光谱图像(MSIs)对通常很困难。未配对高光谱图像超分辨率重建(Unpaired HISR)旨在利用具有语义一致内容的
通过配对的高分辨率多光谱图像(MSIs)进行的高光谱图像超分辨率重建(HISR)已引起广泛关注。然而,在不同成像条件下获取对齐良好的高光谱图像(HSIs)和多光谱图像(MSIs)对通常很困难。未配对高光谱图像超分辨率重建(Unpaired HISR)旨在利用具有语义一致内容的未配对多光谱图像(MSIs)的空间纹理细节来重建高分辨率高光谱图像。解决未配对HISR任务面临两个关键挑战:(i) 高光谱图像和多光谱图像之间空间特征的模态、分布和分辨率不匹配,使得精确的纹理对齐变得困难。(ii) 即使紧密匹配的纹理也可能存在潜在的语义不兼容性。为了解决这些问题,本文提出了SCPMT,一个新颖的未配对HISR框架,集成了语义引导的对比纹理匹配和基于渐进式Mamba的增强纹理注入。所提出的纹理匹配模块(M_C2)通过对比学习学习语义感知特征表示和稳健的纹理匹配规则,实现了精确的跨模态对齐。所提出的纹理注入模块(M_PET)通过分阶段过滤和增强进一步细化匹配的纹理信息,确保纹理注入过程平滑且一致。为了验证我们的方法,我们按照Wald协议构建了一个基准数据集,包含来自不同场景的高分辨率高光谱图像和多光谱图像。大量实验表明,SCPMT在基准数据集上达到了最先进性能,在定量指标(如PSNR/SSIM)和定性视觉保真度方面均优于现有的未配对和配对超分辨率方法。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号