智迹闻AuraTracer
EN

EVENT DOSSIER

HyVIC:一种基于变分自编码器的度量驱动式时空光谱高光谱图像压缩架构

2026-09-07 12:00 科学 🔥 42.2 事件热度
1家信源
1天持续发酵
42.2事件热度
2个提及
摘要由 AI 生成

为应对遥感数据增长及现有方法未充分考量高光谱图像特有空间 - 谱冗余的问题,研究者提出了基于变分自编码器(VAE)的 HyVIC 架构。该架构采用可配置的空间与谱特征学习模块,实现了对两类特征的独立控制以提升压缩效率。研究指出,空间与谱特征学习的权衡对重构保真度至关重要,并据此提出了一种基于指标的超参数选择策略。在两个基准数据集上的测试表明,HyVIC 能在宽范围压缩比下保持高重构质量,其 BD-PSNR 较最先进方法最高提升 4.66dB。该研究为学习变分高光谱图像压缩提供了指导原则,相关代码与预训练权重已公开。

相关事件RELATED EVENTS
关键实体KEY ENTITIES
HyVICarXiv:2603.26468v3

报道态势 · 每日报道量LANGUAGE SPLIT

实体关系
HyVIC × arXiv:2603.2646…1

信号强度SIGNALS

关键词热度
  • HyVIC1
  • arXiv:2603.26468v31

全部报道(1)SOURCES

A arXiv cs.CV en 2026-09-07 12:00

HyVIC: A Metric-Driven Spatio-Spectral Hyperspectral Image Compression Architecture Based on Variational Autoencoders

为应对遥感数据增长,提出基于变分自编码器的 HyVIC 架构以解决现有方法未充分考量高光谱图像特有空间 - 谱冗余的问题。HyVIC 采用可配置的空间与谱特征学习模块,实现独立控制并提升压缩效率。实验表明,空间与谱特征学习的权衡对重构保真度至关重要,据此提出基于指标的超参数选择策略。在两个基准数据集上测试显示,HyVIC 在宽范围压缩比下保持高重构质量,BD-PSNR 较最先进方法提升最高 4.66dB。研究为学习变分高光谱图像压缩提供了指导原则,代码与预训练权重已公开。