Abstract

在高光谱图像（HSIs）中，雾霾污染会导致表面信息缺失和图像清晰度下降，严重影响后续图像解释的性能。

现有的基于模型的高光谱去雾方法具有良好的可解释性和泛化性，但由于原理限制，它们只能处理特定波长范围内的图像。

基于深度学习的去雾方法具有良好的特征提取能力，但在实际应用中获得足够的训练数据成本较高。

同时，考虑到HSIs具有光谱低秩结构，充分利用低秩特性将有助于HSIs的重建。

为了结合基于深度学习和物理模型方法的互补优势，我们决定将HSI去雾重建公式化为一种无监督深度图像先验（DIP）框架。

具体来说，我们提出了一种具有混合先验约束的无监督去雾网络（HPC-UDN）用于HSI去雾，有效结合了低秩先验、深度先验和物理雾霾先验。

首先，通过矩阵分解来表征高光谱数据的低秩先验，其中分解因子通过两个生成网络学习。

然后，基于光谱波段之间的相关性和互补性，划分多个光谱组。

为了在相邻光谱组之间交换信息，设计了一种新的光谱分组特征融合（SGFF）模块，该模块连接相邻的光谱组以传递光谱和空间特征。

最后，通过合并从每个光谱组提取的特征，恢复高质量的HSI。广泛的模拟和实际数据实验证明了所提出的无监督方法的有效性和鲁棒性，以及在GF-5图像去雾任务中的潜在应用。

【TGRS 2024】HPC-UDN：An Unsupervised Dehazing Network With Hybrid Prior Constraints for Hyperspectral Image