L’acquisition d’images visuelles à l’aide d’une caméra hyperspectrale a été efficacement appliquée à de nombreux domaines grâce à sa technologie d’imagerie à bande étroite. La reconstruction hyperspectrale à partir d’images RGB correspond à un processus inverse de l’imagerie hyperspectrale, consistant à estimer une fonction de réponse inverse. Les travaux actuels consistent principalement à mapper directement les images RGB vers leurs spectres correspondants, sans prendre explicitement en compte les informations contextuelles. De plus, l’utilisation d’une architecture encodeur-décodeur dans les méthodes existantes entraîne une perte d’information. Pour surmonter ces limitations, nous proposons un réseau de régression hiérarchique à quatre niveaux (HRNet), intégrant une couche PixelShuffle pour assurer une interaction entre les niveaux. En outre, nous introduisons un bloc résiduel dense afin d’éliminer les artefacts présents dans les images RGB du monde réel, ainsi qu’un bloc résiduel global pour instaurer un mécanisme d’attention et augmenter le champ de perception. Nous évaluons notre HRNet en comparaison avec d’autres architectures et techniques en participant au défi NTIRE 2020 sur la reconstruction spectrale à partir d’images RGB. Notre méthode s’impose comme la meilleure solution sur la piste 2 (images du monde réel) et se classe troisième sur la piste 1 (images propres). Pour accéder à notre code source et aux modèles pré-entraînés, veuillez consulter la page du projet : https://github.com/zhaoyuzhi/Hierarchical-Regression-Network-for-Spectral-Reconstruction-from-RGB-Images.