本研究提出了一种新方法，利用高光谱成像自动检测猪肉腹部异物，解决食品加工中的污染物检测问题。该方法结合预处理技术和轻量级视觉变换器，实现了高检出率，有效应对噪声和温度变化等挑战。

本研究提出了一种基于高光谱成像和变分自编码器的无监督番茄裂果检测方法，发现530nm至550nm波长范围最适合检测裂果，成功识别异常并估计异常区域，从而提高温室农业中番茄的质量管理。

本研究探讨了全卷积网络（FCN）在高级驾驶辅助系统（ADAS）中应用于高光谱成像（HSI）的图像分割。实验结果表明，FCN显著提升了HSI在复杂场景下的物体分隔能力，从而改善了ADAS在恶劣天气中的性能。

本研究探讨了在资源和功耗受限的设备上快速部署高光谱成像处理器的方法，特别是在自主驾驶中的应用。通过定制后训练量化方案，轻量级全卷积网络能够在低成本模块上高效运行，同时保持分割精度，从而推动高光谱成像技术在自动驾驶系统中的应用。

本文提出多种新方法以提高快照压缩成像（SCI）和高光谱成像的重建质量，结合了深度学习、生成模型和状态空间模型等技术。这些方法在计算效率和重建性能上优于现有技术，显示出显著改进。

本文介绍了无人机和高光谱成像技术的研究进展，包括单目视觉控制、实时高光谱目标跟踪、3D重建、图像校正、合成高光谱数据集、地图算法评估及高光谱图像修复，强调了多模态融合和自监督学习在提升成像和地图绘制性能中的重要性。

本文综述了高光谱成像中的特征选择和分类方法，提出了一种新颖的特征选择技术，显著提升了异常检测的速度和性能。同时，研究探讨了基于张量分解的超分辨率技术及深度学习在高光谱成像分类中的应用，展示了其在多个数据集上的优越性。

最近的研究利用高光谱成像（HSI）检测产品异物，提出了一种新特征选择方法，显著提升了解释性并解决了时间延迟问题。实验结果表明，该方法在推断阶段的速度比传统特征提取快6.90倍，同时保持了异常检测的性能，展现出高效快速的优势。

通过高光谱成像评估了184名脑肿瘤患者的891个高光谱测量，使用5-ALA辅助荧光引导训练了四个机器学习模型进行肿瘤分类和辨别。结果显示不同组织类型中的五个发光物质丰度存在差异，具有潜在的光学生物标志物价值，为神经外科手术中的围手术期分类系统提供了新机遇。

该文介绍了单向调整（SDT）策略，用于解决高光谱成像分类中训练样本数量有限的问题。同时，引入了一种新的Tri-Former，并进行了比较实验，证明其在多个HSI数据集上表现更好。