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。

本文综述了基于机器学习的高光谱图像分析方法，涉及土地覆盖分类和目标检测等任务，讨论了多种机器学习算法及其应用。研究提出了METER-ML数据集和MethaneMapper网络，展示了深度学习在甲烷监测中的潜力，并提出了应对领域差异的算法，推动了卫星监测技术的发展。

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HSIMamba、SS-Mamba和MHSSMamba等多种高光谱图像分类方法，利用创新的模型架构和特征提取技术，显著提高了分类准确性和计算效率。这些方法在多个数据集上表现优异，推动了高光谱图像分类的研究进展。

本文综述了高光谱图像分类中的深度学习方法，提出了自调制卷积神经网络（SM-CNN）和HSIMamba等新算法，显著提高了分类准确性和效率。这些方法在处理复杂数据时表现优越，尤其适用于计算资源有限的环境，推动了遥感应用的发展。

本文介绍了多种基于高光谱图像的目标检测和跟踪方法，包括轻量级学习框架、视频伪装目标检测和透明物体跟踪等技术，展示了在不同数据集上的优越性能，推动了相关领域的发展。

本文综述了深度学习在遥感变化检测中的应用，重点介绍了基于扩散模型的高光谱图像变化检测方法及其优越性能。研究提出了CADM和ChangeAnywhere等新模型，显著提高了变化检测的准确性和鲁棒性，展示了扩散模型在图像生成和处理中的潜力，为未来研究指明了方向。

本文介绍了多种图像超分辨率网络模型，如ESSAformer、SVAN、A^2F、SPIFFNet、MAFFSRN、ESRT和SCET。这些模型通过注意力机制和特征融合，显著提升高光谱图像的视觉质量和重建效果，同时在计算效率和参数数量上表现优异。实验结果显示，这些方法在定量和定性评估中均优于现有技术。

本文提出多种基于Transformer的高光谱图像分类方法，包括利用DSS指标评估架构、引入新基准数据集、优化卷积核设计及融合不同注意力机制。这些方法显著提升了分类性能和训练效率，展示了在高光谱图像处理领域的潜力。

该研究提出了一种名为Spectral-wise Implicit Neural Representation (SINR)的方法，用于高光谱图像重建，提升光谱超分辨率和全局依赖关系捕捉。研究探讨了该方法在面部攻击检测、卵巢癌检测及单像素红外图像超分辨率等应用中的有效性。

本文介绍了多种基于Mamba模型的高光谱图像处理方法，如S^2Mamba、HSIDMamba和SS-Mamba，旨在提高高光谱图像的分类、去噪和融合效率与准确性。研究结果表明，这些方法在性能上优于现有技术，为高光谱图像分析开辟了新方向。

本文介绍了多种高光谱图像超分辨率方法，包括无监督编码器-解码器架构、条件扩散模型和混合卷积双域网络。这些方法通过融合低分辨率和高分辨率图像，利用自我注意力机制和多任务学习等技术，显著提升了图像的空间和光谱质量，实验结果显示其性能优于现有技术。

下一代望远镜将利用机器学习技术分析系外行星的光谱数据，以识别异常化学组成和生物特征。研究展示了两种异常检测方法的有效性，并提出了基于自监督学习的框架用于射电望远镜的实时异常分类。文章还回顾了机器学习在高光谱图像分析和尘暴研究中的应用，探讨了未来的挑战和方向。

本文介绍了一种基于随机投影的张量环分解算法，具有高压缩性，适用于深度学习数据集压缩和高光谱图像重建。同时，提出了深度多任务表示学习框架，优化了推荐系统的内存容量问题，提升了模型性能和准确性。

本文介绍了一种基于对比学习的图卷积网络模型（ConGCN），旨在增强高光谱图像分类的特征表示能力。通过半监督对比损失和图生成损失，挖掘光谱和空间信息的监督信号。实验结果表明，该模型在多个基准数据集上显著提升了分类性能。