FAD-Net：用于高光谱图像超分频率对齐双分支网络

《Remote Sensing》：FAD-Net: Frequency Alignment Dual-Branch Network for Hyperspectral Image Super-Resolution

　　

摘要

高光谱图像超分辨率技术旨在从低分辨率观测数据中恢复高分辨率的高光谱图像，同时保留空间细节和光谱精度。准确保持光谱特性是高光谱图像超分辨率技术与普通图像超分辨率技术之间的关键区别。近年来，结合卷积神经网络与Transformer的混合方法显著提升了空间重建性能，但光谱精度的提升仍有待进一步研究。通过频率扰动分析，我们发现卷积神经网络与Transformer具有互补的频率响应特性。为充分利用这种互补性，我们提出了一种用于高光谱图像超分辨率的频率对齐双分支网络（FAD-Net）。具体而言，多尺度频率精细化分支通过小波分解来恢复局部高频细节，而空间-光谱频率交互分支则通过2方式建模长距离的空间与光谱依赖关系。这两个分支通过频率对齐块（FAB）进行融合。在训练过程中，还引入了高光谱频率损失函数和光谱角度映射器损失函数，以使重建结果更接近真实值。在Chikusei、博茨瓦纳以及、和三个数据集上的实验表明，FAD-Net在所有九种测试条件下均取得了最佳的光谱角度映射器（SAM）评分，同时还能保持良好的空间重建性能。