本研究提出了一种不对称共识状态空间模型（ACMamba），用于高光谱图像的无监督异常检测。该模型通过使用区域级实例替代像素级样本，显著降低了计算成本，同时保持了检测精度。实验结果表明，ACMamba在速度和性能上优于现有方法。

本研究提出了一种结合U-net语义分割与传统方法的高光谱图像计算机视觉模型，显著提高了对蜜蜂和Varroa destructor的监测能力。

本研究提出了一种新方法，通过范围-零空间分解（RND）解决高光谱图像生成中的无配对数据对齐问题，并利用对比学习提升生成性能，建立了新的基准。

本研究提出了一种新型高光谱图像分类模型MambaHSI，旨在解决现有方法在速度和内存使用上的挑战。该模型通过设计空间Mamba块和光谱Mamba块，自适应整合空间与光谱信息，实验结果表明其在高光谱分类任务中的有效性和优越性。

本文提出了一种双分支亚像素引导网络（DSNet），旨在解决高光谱图像分类中的混合像素问题。DSNet通过整合亚像素信息与卷积特征，显著提升了分类性能。实验结果表明，DSNet在多个基准数据集上优于现有方法，展现出重要的应用潜力。

本文提出了多种高光谱图像分类方法，包括基于主动迁移学习的深度神经网络、空间-光谱先验网络和3D卷积引导的Transformer模型。这些方法通过优化特征提取和分类策略，显著提高了分类性能和图像分辨率，并在多个公开数据集上表现优越。此外，研究推出了大型高光谱数据集SpectralEarth，以促进该领域的发展。

HyperSIGMA是一种基于Vision Transformer的高光谱图像处理模型，结合稀疏采样注意力机制和光谱增强模块，有效整合空间与光谱特征，展现出优越性能和广泛应用潜力。

本文研究了自监督对比学习在高光谱图像分类中的应用，特别是在标注数据有限时的优势。提出了一种两阶段分类方法，即使减少50%训练数据，仍能保持优异表现。该方法通过挖掘数据的隐含空间信息，提高了单标签和多标签分类的性能，展示了其在高光谱数据处理中的潜力。

本研究提出了一种用于高光谱图像的多任务深度学习模型，能够同时执行多个分类和回归任务。该方法通过共享编码器和任务特定解码器网络进行特征学习，并通过密集空洞金字塔池化层和注意力网络提取多尺度上下文信息，以及通过优化多任务损失的参数来提高模型性能和效率。实验结果表明，该方法优于其他先进方法。

本研究提出了一种名为UnmixingSR的高光谱图像超分辨网络，利用无监督学习感知材料成分并提高解决超分辨问题的稳定性。实验证明，将无监督感知作为辅助任务嵌入超分辨问题是可行和有效的。

本文介绍了一种新的高光谱图像去噪方法，利用泛光图像指导去噪过程，提供先验信息。作者提出了全景加权表示系数全变差（PWRCTV）用于平滑区域和边缘区域的权重分配。实验证明，PWRCTV 在指标和视觉质量方面优于其他方法，并提高高光谱图像分类任务性能。

本文介绍了基于Vision Transformer的HyperSIGMA模型，用于处理高光谱图像中的光谱和空间冗余问题，并通过光谱增强模块整合特征。实验证明HyperSIGMA在高级和低级HSI任务上具有多功能性和优越的代表能力，并在可扩展性、健壮性、跨模态传输能力和实际应用性方面具有优势。

本研究提出了一种名为S2DL的新的无监督高光谱图像聚类算法，通过融合空间信息解决高维、噪声、异常点和准确标签的问题。实验证明S2DL在多个高光谱图像上具有高效性。

本文介绍了一种新型的预测神经网络LineRWKV，利用Transformer和递归神经网络压缩航天器上的高光谱图像。实验证明LineRWKV在无损和接近无损压缩上优于CCSDS-123.0-B-2的深度学习方法，并具备有望的吞吐量结果。

本研究提出了一种新的高光谱图像超分辨率算法，称为SRDNet。该算法通过双域网络设计，在空间与频率领域进行优化，实现了高光谱图像的纹理和特征增强。

本研究介绍了一种名为S2DL的新的无监督高光谱图像聚类算法，通过融合空间信息解决高维、噪声、异常点和准确标签的挑战。实验证明S2DL在多个高光谱图像上具有高效性。

本研究提出了一种新的高光谱图像超分辨率算法，称为SRDNet。该算法通过设计双域网络，在空间与频率领域进行优化，实现了高光谱图像的纹理和特征增强。

提出了一种新颖的全面关联变换器（ECT）用于光谱超分辨率，通过整合空间-光谱关注力和相互线性依赖，建立了高光谱图像中的全面关联。实验结果表明，该方法在模拟和真实数据上均达到了最先进的性能。

本文提出了一种基于光谱扩散的先验方法来实现高光谱图像的超分辨率。通过融合低空间分辨率的HSI和高空间分辨率的多光谱图像，生成高空间分辨率的HSI。实验证明了该方法的有效性。

该研究开发了一种基于高光谱图像和深度学习的工具，用于乳腺癌分型和生化贡献的评估。该模型具有高准确性，可对乳腺癌、邻近组织和分子亚型进行分类，并评估其生化影响。