用于高光谱超分辨率的迭代引导网络

《International Journal of Applied Earth Observation and Geoinformation》：Iterative guiding network for hyperspectral super-resolution

本文提出Iterative Guiding Network (IGN)，通过迭代更新内部参考高分辨率HSI实现单图超分辨率，结合多尺度特征融合与偏差校正模块，有效提升空间分辨率同时保持光谱保真。实验表明，IGN在PAVIA、CAVE等数据集上PSNR分别达37.04 dB和29.5972 dB，优于现有方法，且在复杂场景中仍保持高效推理能力。

　　本文探讨了一种用于高光谱图像（HSI）超分辨率（SR）的新型方法，称为迭代引导网络（IGN）。HSI技术通过捕获和处理电磁波谱中的多波段信息，能够区分不同材料，广泛应用于地质勘探、农业监测和环境科学等远程感知领域。然而，由于光谱波段数量众多，电子到达每个波段的限制导致HSI在空间分辨率方面存在不足。为了解决这一问题，IGN方法采用了一种迭代的内部高分辨率参考图像来指导SR过程，而不是依赖外部图像。这种方法通过逐步学习特征，提高了图像重建的准确性。

与传统的HSI SR方法相比，IGN在两个主要方面进行了创新。首先，它引入了多尺度特征融合（MSFF）模块，以不同尺度提取的特征进行融合，从而增强特征的表达能力。其次，设计了特征注入模块（FIMs），包括两个创新组件：可学习偏差校正组件（LDCC）和双路径聚合组件（DPAC）。LDCC利用可学习参数替换参考图像的均值和方差，以校正可能的偏差。DPAC则通过双路径聚合，有效地利用了参考图像和输入图像的信息，从而减少错误的积累。这些模块的引入使得IGN能够在不依赖外部高分辨率信息的情况下，提高图像的重建质量，具有较高的实用价值。

实验结果表明，IGN在经典空载Pavia中心数据集上取得了最佳的PSNR值，分别为2×缩放时的37.0356 dB和4×缩放时的29.5972 dB，分别比现有最佳方法提高了0.5490 dB和0.0497 dB。此外，IGN在推理效率方面也表现良好，其在NVIDIA RTX 3070 GPU上的平均推理时间为3.84秒。这些结果表明，IGN在提高HSI空间分辨率的同时，也保持了较高的推理效率。

IGN的提出不仅提升了HSI SR的性能，还通过其独特的迭代机制，克服了传统方法中使用外部图像的不便之处。它通过内部高分辨率参考图像的迭代更新，逐步优化图像重建过程，使得网络能够更有效地提取不同尺度的特征。这种设计在实际应用中具有重要意义，因为高分辨率信息往往难以获取。此外，IGN在多尺度特征融合和特征注入模块的设计上，能够更好地利用输入图像和参考图像的信息，从而减少误差的积累。

在实验分析部分，IGN在三个不同的数据集上进行了测试，包括CAVE、HARVARD和PAVIA中心数据集。这些数据集在空间分辨率和波段数量上存在显著差异，使得IGN的性能在不同场景下都能得到验证。实验结果显示，IGN在所有测试指标中均表现优异，包括PSNR、SSIM、SAM、ERGAS和CC。特别是，在PAVIA中心数据集上，IGN在4×缩放时的PSNR值达到了29.5972 dB，比现有最佳方法高出0.0497 dB。这些结果表明，IGN在不同数据集和不同缩放因子下均能保持较高的重建质量。

此外，IGN在实际场景中的应用也得到了验证，如华盛顿特区的WDC Mall数据集。在这些数据集上，IGN展示了其在保持光谱信息一致性的同时，有效提高空间分辨率的能力。与传统的SR方法相比，IGN在不依赖外部高分辨率信息的情况下，通过内部迭代过程，实现了更高的重建精度和更合理的推理效率。

IGN的模块化设计使得其能够灵活地适应不同的数据集和应用场景。通过分析不同模块对整体性能的影响，实验结果表明，MSFF模块和FIMs在提升SR性能方面起到了关键作用。特别是，DPAC模块在PSNR、SSIM和CC指标上带来了最大的提升，而LDCC模块则在减少偏差和错误积累方面表现突出。

总之，IGN通过其独特的迭代机制和模块化设计，成功地解决了HSI SR中的关键问题，提高了重建精度和推理效率。这种方法不仅适用于实验室环境下的HSI数据集，也具有在实际应用中的广泛前景，如环境监测、远程感知和医学成像等领域。IGN的提出为HSI SR研究提供了一种新的思路，同时也为未来的相关研究奠定了基础。