基于梳状拼接扩散模型的高光谱图像超分辨率重建技术研究

本文推荐：该研究针对高光谱图像超分辨率(HSI-SR)中高维复杂性问题，创新性提出梳状拼接扩散模型(C-Concat DM)，通过条件知识引导的渐进去噪策略，有效解决传统方法中条件知识与噪声通道距离远、细节生成不足的痛点。模型包含条件编码、噪声预测和梳状拼接三大模块，在Houston等数据集上实现空间-光谱保真度的双重突破。

　　

Highlight

本研究提出三大创新贡献：

(a) 针对扩散模型中条件知识利用不精准的问题，开发了梳状拼接策略(C-Concat)。通过将条件知识与噪声在特征空间交错拼接，显著缩短其通道距离（如图1所示），使条件知识能更精准地引导去噪过程，为生成高质量高光谱图像奠定信息基础。

(b) 构建了包含三模块的梳状拼接扩散框架：条件编码模块生成丰富条件知识；噪声预测模块利用多尺度空间注意力精准预测噪声；梳状拼接模块则作为桥梁强化特征交互。该框架在保持光谱保真度(_λ-Fidelity)的同时显著提升空间分辨率(PSNR提升>2dB)。

Conclusion

本文提出的梳状拼接技术突破了传统条件扩散模型的局限，通过特征空间重组实现了条件知识的高效利用。基于此开发的HSI-SR框架在Chikusei等数据集上验证了其优越性，代码已开源。该成果为高维遥感数据处理提供了新范式，特别适用于环境监测、地质勘探等需要高精度光谱-空间信息的领域。