В последние годы методы, основанные на автокодировщиках (AE) в глубинном обучении получили широкое внимание в задаче без контроля размножения гиперспектральных изображений. Поскольку процесс обучения AE может быть описан как поиск набора низкоразмерных скрытых слоев (обогащение) и использование их соответствующих весов (концентратов) для сокращения ошибки восстановления, этот фреймворк широко применяется в алгоритмах размножения гиперспектральных изображений. Однако существующие фреймворки на основе AE, хотя и могут эффективно обрабатывать сценарии без контроля размножения, все еще испытывают проблемы с шумом и инициализацией, и точность размножения также требует дальнейшего улучшения. Кроме того, статья представляет новую область фреймворка размножения на основе адверсных автокодировщиков (AAE). Во-первых, в генераторе сети на основе интенсивности и значения (ASC) и неотрицательной (ANC) физической значимости, разработано на основе AE конечное фреймворка для размножения на концах. Затем в дискриминаторе сети в статье используется исходная карта обогащения в качестве истинного значения, проводится тестирование противостояния инициализированного слоя скрытых слоев (обогащения) генератора и инициализированного обогащения для синхронной оптимизации ошибки восстановления и ошибки противостояния для улучшения производительности фреймворка. По сравнению с традиционными методами AE, этот метод, путем включения процесса противостояния, введением начальных знаний обогащения в дискриминатор, может значительно улучшить производительность и устойчивость фреймворка. Эксперименты на фиктивных и фактических данных гиперспектральных изображений показывают, что этот алгоритм обладает более высокой точностью размножения по сравнению с существующими методами.

Дистанционное зондирование; Размножение гиперспектральных изображений; Глубокое обучение; Адверсные автокодировщики; Изображения гиперспектральной высокой четкости