Model Inspired Autoencoder for Unsupervised Hyperspectral Image Super-Resolution

本文提出了一种用于HSI超分辨率的无监督MIAE网络

该算法采用隐式自编码器网络，结构简洁。

首先，受对目标HR-HSI进行NMF可以促进超分辨率推理过程的启发，在目标HR-HSI上集成NMF模型，将频谱和空间矩阵两个NMF部分分别作为解码器参数和隐藏输出，构建隐式自编码器网络。自编码器网络将目标HR-HSI的每个高光谱像素视为一个单独的样本，即一个像素一个像素地训练网络。其次，“隐式”表示自编码器网络的输入像素是未知的，因此，提出了以两幅观测图像为输入的像素融合模型，直接估计隐层向量。像素融合模型简单有效。具体来说，使用双线性插值将LR-HSI调整为与目标HR-HSI相同的大小，以便逐个像素地馈送网络。为了打破模型的固定格式，提供更大的灵活性，采用梯度下降算法求解像素级融合模型，并对算法进行重新表述和展开，形成编码器网络。最后，根据目标HR-HSI与两幅观测图像之间的关系建立损失函数。MIAE在特定的像素级架构下，可以被视为一种基于流形先验的模型，可以逐块进行训练，加快训练过程。

此外，提出了一种盲估计网络，以无监督的方式估计PSF和SRF。利用三个合成数据集和一个真实数据集对MIAE进行了实验验证，实验结果验证了该方法的有效性。