HDNet: 고해상도 이중 도메인 학습을 통한 스펙트럴 압축 영상 획득

심층 학습의 급속한 발전은 고분광 이미지(HSI)의 엔드투엔드 재구성에 더 나은 해결책을 제공하고 있다. 그러나 기존의 학습 기반 방법은 두 가지 주요한 한계를 가지고 있다. 첫째, 자기 주의(self-attention) 구조를 갖춘 네트워크는 모델 성능과 복잡성 간의 균형을 맞추기 위해 내부 해상도를 희생함으로써 세밀한 고해상도(HR) 특징을 상실한다. 둘째, 공간-스펙트럴 도메인 학습(SDL)에 초점을 맞춘 최적화가 이상적인 해에 수렴하더라도, 재구성된 HSI와 진짜 이미지 간에 여전히 두드러진 시각적 차이가 존재한다. 이를 해결하기 위해 우리는 고해상도 이중 도메인 학습 네트워크(HDNet)를 제안한다. 본 연구에서 제안하는 방법은 두 가지 측면에서 효과를 발휘한다. 먼저, 효율적인 특징 융합을 갖춘 고해상도 공간-스펙트럴 주의 모듈은 지속적이고 세밀한 픽셀 수준의 특징을 제공한다. 또한, 주파수 도메인 학습(FDL)을 도입하여 주파수 도메인의 차이를 좁힌다. 동적 FDL 감독은 모델이 세밀한 주파수 성분을 재구성하도록 유도하며, 픽셀 수준의 손실로 인한 과도한 평활화 및 왜곡을 보완한다. 본 HDNet에서 제안하는 고해상도 픽셀 수준의 주의와 주파수 수준의 정제는 서로 보완하며 HSI의 인지적 품질을 향상시킨다. 광범위한 정량적 및 정성적 평가 실험을 통해 제안된 방법이 시뮬레이션 및 실측 HSI 데이터셋에서 최고의 성능(SOTA)을 달성함을 입증하였다. 코드 및 모델은 https://github.com/caiyuanhao1998/MST 에 공개될 예정이다.