【ICML 2026】刷新高光譜圖像恢復(fù)任務(wù)SOTA!DAMP：面向高光譜影像恢復(fù)的退化感知度量提示框架

現(xiàn)有的統(tǒng)一高光譜圖像恢復(fù)方法還存在不少缺點(diǎn)：如果用顯式退化先驗(yàn)，很難適配真實(shí)場(chǎng)景里的未知退化；采用黑盒隱式表征的話，又容易過擬合訓(xùn)練數(shù)據(jù)的分布，對(duì)于未見退化的泛化效果不好，光譜保真度也普遍偏低。針對(duì)這一問題，文中提出了一個(gè)可解釋的空間-光譜度量，得到連續(xù)的退化提示，然后再搭配上退化自適應(yīng)專家混合結(jié)構(gòu)，以度量作為路由動(dòng)態(tài)激活對(duì)應(yīng)的專用專家，最終只用單個(gè)模型就能夠滿足多種不同退化類型的情況。從實(shí)驗(yàn)結(jié)果來(lái)看，該方法在5類常規(guī)恢復(fù)任務(wù)上達(dá)到了SOTA水平，而在運(yùn)動(dòng)模糊、泊松去噪這類訓(xùn)練中沒出現(xiàn)過的任務(wù)上，零樣本表現(xiàn)也很突出，同時(shí)計(jì)算開銷比大多數(shù)同類方法更低。

論文題目：Degradation-Aware Metric Prompting for Hyperspectral Image Restoration

中文題目：面向高光譜圖像恢復(fù)的退化感知度量提示方法

論文鏈接：https://arxiv.org/abs/2512.20251

代碼鏈接：https://github.com/MiliLab/DAMP

論文作者：Binfeng Wang, Di Wang, Haonan Guo?, Ying Fu?, Jing Zhang?（?為通訊）

作者單位：北京理工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院、北京中關(guān)村學(xué)院、武漢大學(xué)計(jì)算機(jī)學(xué)院

發(fā)表年份：ICML 2026

論文引言

高光譜圖像能夠捕捉數(shù)百個(gè)連續(xù)波段的光譜信息，是精準(zhǔn)農(nóng)業(yè)、環(huán)境監(jiān)測(cè)、地物分類、變化檢測(cè)等空天領(lǐng)域應(yīng)用的重要數(shù)據(jù)基礎(chǔ)。但受到成像硬件條件和物理環(huán)境的雙重干擾，實(shí)際采集到的高光譜圖像往往存在低信噪比、運(yùn)動(dòng)模糊、波段缺失等多種退化問題，會(huì)大幅降低光譜特征的判別能力，對(duì)下游任務(wù)的性能發(fā)揮造成不利影響。

早期的高光譜恢復(fù)方法大多是針對(duì)特定任務(wù)設(shè)計(jì)的，只能處理單一類型的退化，很難應(yīng)對(duì)真實(shí)場(chǎng)景里混合、未知的退化模式。受自然圖像恢復(fù)領(lǐng)域提示學(xué)習(xí)思路的啟發(fā)，近些年已有研究嘗試搭建統(tǒng)一的恢復(fù)模型，但依舊存在兩方面明顯的局限：一類依賴顯式的退化先驗(yàn)，比如預(yù)設(shè)好退化類型、用文本做提示，都需要提前掌握準(zhǔn)確的退化信息，這在真實(shí)場(chǎng)景里通常很難實(shí)現(xiàn)；另一類則采用黑盒式的隱式表征，很容易對(duì)訓(xùn)練數(shù)據(jù)的退化分布過擬合，面對(duì)未見退化時(shí)泛化效果不佳，同時(shí)也缺少對(duì)光譜相關(guān)性的顯式建模，光譜恢復(fù)的精度普遍不高。針對(duì)這些問題，文中提出了退化感知度量提示（DAMP）框架，不需要用到顯式退化先驗(yàn)和黑盒隱式向量，而是通過具備可解釋性的空間- 光譜度量來(lái)量化退化程度，生成連續(xù)的退化提示，以此捕捉不同任務(wù)之間退化特征的共性。在此基礎(chǔ)上還設(shè)計(jì)了退化自適應(yīng)專家混合結(jié)構(gòu)，把退化提示作為門控路由，動(dòng)態(tài)激活對(duì)應(yīng)不同退化程度的空間 - 光譜自適應(yīng)專家模塊，最終實(shí)現(xiàn)多種、混合甚至未見退化條件下的自適應(yīng)統(tǒng)一恢復(fù)。該方法與現(xiàn)有主流一體化方法的 PSNR 對(duì)比結(jié)果如圖 1 所示。

圖1 與現(xiàn)有最先進(jìn)的一體化方法的 PSNR 對(duì)比：修復(fù)、超分辨率、高斯去模糊和高斯去噪結(jié)果在統(tǒng)一訓(xùn)練后于 ARAD 數(shù)據(jù)集上評(píng)估，泊松去噪和運(yùn)動(dòng)去模糊為 CAVE 數(shù)據(jù)集上的零樣本結(jié)果，[?]表示不同方法的 PSNR 取值范圍

本文主要圍繞以下三方面展開：

核心痛點(diǎn)：真實(shí)場(chǎng)景里的高光譜圖像退化往往是多種類型混合出現(xiàn)的，很難提前預(yù)判具體形式；現(xiàn)有的統(tǒng)一恢復(fù)方法要么離不開難以獲取的顯式退化標(biāo)簽，要么用黑盒隱式表征容易過擬合，沒法同時(shí)保證對(duì)多樣退化的適配性和對(duì)未見退化的泛化能力，光譜保真度也普遍達(dá)不到理想水平。

目前局限：依賴顯式先驗(yàn)的方法默認(rèn)退化集合是封閉的，沒辦法適配真實(shí)場(chǎng)景里未知的混合退化模式；而黑盒隱式方法本身缺乏可解釋性，遇到訓(xùn)練分布外的退化時(shí)，容易將其錯(cuò)誤映射到已知類型的特征空間里，導(dǎo)致恢復(fù)精度下降，同時(shí)這類方法大多也沒有對(duì)光譜維度的相關(guān)性做顯式建模。

解決路徑：本文通過設(shè)計(jì)DAMP框架，先用具備物理可解釋性的空間-光譜統(tǒng)計(jì)度量，生成連續(xù)的退化提示向量，既能從多個(gè)維度刻畫退化的嚴(yán)重程度，也能捕捉不同恢復(fù)任務(wù)之間退化特征的共通之處；再搭配退化自適應(yīng)混合專家結(jié)構(gòu)，把退化提示當(dāng)作路由信號(hào)，動(dòng)態(tài)調(diào)用對(duì)應(yīng)的空間-光譜自適應(yīng)專家模塊，僅用單個(gè)模型就能夠應(yīng)對(duì)多種、混合甚至從未見過的退化場(chǎng)景，完成高光譜圖像的自適應(yīng)恢復(fù)。

核心創(chuàng)新

DAMP的整體網(wǎng)絡(luò)采用層級(jí)化的 U 型架構(gòu)（結(jié)構(gòu)見圖 3（a）），完整的處理流程可以拆成三步：第一步先從輸入圖像中計(jì)算提取空間 - 光譜維度的退化度量，經(jīng)過投影變換后得到退化提示向量 DP；與此同時(shí)，輸入圖像會(huì)經(jīng)過一層 3×3 卷積提取淺層特征，隨后進(jìn)入四級(jí)編碼 - 解碼結(jié)構(gòu)；解碼器的每一層都嵌入了 DAMoE 模塊，以 DP 作為全局調(diào)控條件，動(dòng)態(tài)調(diào)整特征恢復(fù)的權(quán)重和方向，最后通過殘差融合得到最終的恢復(fù)結(jié)果。整個(gè)框架的核心設(shè)計(jì)主要包含三塊：退化提示、退化自適應(yīng)專家混合、空間 - 光譜自適應(yīng)模塊。

1. 退化提示（DP）：可解釋的多維退化表征

在傳統(tǒng)的統(tǒng)一恢復(fù)方法里，對(duì)退化的表征無(wú)非兩種：要么用離散的類型標(biāo)簽，要么用不可解釋的隱式特征向量，二者在靈活性和泛化能力上始終難以兼顧。本文的核心思路不一樣，不用標(biāo)簽也不用黑盒向量，而是選用有明確物理意義的統(tǒng)計(jì)度量，來(lái)連續(xù)刻畫退化的狀態(tài)，這樣既能保證表征的可解釋性，也能靈活適配未知的混合退化場(chǎng)景。

為了驗(yàn)證這種度量表征是否可行，研究團(tuán)隊(duì)先選了高頻能量比、空間紋理均勻性、光譜曲率均值三個(gè)有代表性的度量，在包含五類退化的上千張高光譜樣本上做了分析。結(jié)果發(fā)現(xiàn)，只靠這三個(gè)度量就能讓不同退化類型形成清晰的聚類，搭配隨機(jī)森林分類器也能達(dá)到不錯(cuò)的區(qū)分精度；同時(shí)不同退化類型在部分度量上存在分布重疊，這也說(shuō)明不同退化之間存在內(nèi)在共性，為跨任務(wù)泛化提供了基礎(chǔ)。不同方法的設(shè)計(jì)思路對(duì)比、度量對(duì)退化的區(qū)分能力以及分布特性見圖 2。

在這個(gè)基礎(chǔ)上，研究團(tuán)隊(duì)還設(shè)計(jì)了三階段的度量篩選流程，從 25 個(gè)覆蓋熵、梯度、頻率、相關(guān)性的候選度量里，依次通過可解釋性篩選、空間 - 光譜覆蓋性篩選、區(qū)分度篩選，最終確定了 6 個(gè)核心度量：高頻能量比、空間紋理均勻性、光譜曲率均值、光譜曲率標(biāo)準(zhǔn)差、梯度標(biāo)準(zhǔn)差、空間相關(guān)系數(shù)，由它們共同組成 6 維的退化提示向量。這個(gè)向量完全基于圖像本身的物理統(tǒng)計(jì)特征計(jì)算，具備穩(wěn)健、輕量、透明的特點(diǎn)。

圖2 (a) 基于顯式退化先驗(yàn)的方法、基于隱式黑盒表征的方法與退化感知度量提示方法的對(duì)比 (b) 基于 HFER、STU 和 SCM 的五類退化分類混淆矩陣 (c) 不同退化類型在 HFER、STU 和 SCM 上的分布

2. 退化自適應(yīng)專家混合（DAMoE）：度量驅(qū)動(dòng)的動(dòng)態(tài)路由

為了把退化度量轉(zhuǎn)化成自適應(yīng)的恢復(fù)策略，文中設(shè)計(jì)了 DAMoE 結(jié)構(gòu)。和傳統(tǒng) MoE 用視覺特征或者隱式提示做路由的方式不同，DAMoE 把顯式的 DP 向量作為路由先驗(yàn)來(lái)指導(dǎo)專家的選擇，讓路由的邏輯完全建立在退化的物理屬性之上。

具體的實(shí)現(xiàn)過程里，輸入特征會(huì)先經(jīng)過全局平均池化，再和 DP 向量拼接在一起，經(jīng)過投影和激活后計(jì)算出每個(gè)專家的門控得分，再通過 softmax 和 top-k 稀疏化篩選出最優(yōu)的專家子集，最后對(duì)選中專家的輸出特征做加權(quán)融合。訓(xùn)練階段會(huì)在門控 logits 里加入高斯噪聲，以此促進(jìn)專家之間的負(fù)載均衡，也能讓模型探索更多可能性。舉個(gè)例子，當(dāng)輸入的 HFER 值很高（也就是噪聲較強(qiáng)）時(shí)，模型會(huì)更傾向于激活光譜濾波能力更強(qiáng)的專家，哪怕視覺特征比較模糊，也能做出準(zhǔn)確的路由判斷。DAMP 的整體網(wǎng)絡(luò)架構(gòu)和 DAMoE 模塊的內(nèi)部結(jié)構(gòu)如圖 3 所示。

圖3 (a) 所提 DAMP 框架的整體架構(gòu) (b) 退化自適應(yīng)混合專家 DAMoE

3.空間 - 光譜自適應(yīng)模塊（SSAM）：專業(yè)化的專家算子

高光譜圖像的退化在空間和光譜兩個(gè)維度通常存在異質(zhì)性：比如模糊主要破壞的是空間紋理結(jié)構(gòu)，對(duì)光譜曲線的形狀影響不大；而噪聲則會(huì)同時(shí)對(duì)兩個(gè)維度造成干擾。常規(guī)的卷積或者注意力模塊，空間和光譜的建模權(quán)重一般是固定的，沒辦法靈活根據(jù)不同退化調(diào)整恢復(fù)的側(cè)重點(diǎn)。

針對(duì)這一點(diǎn)，文中提出 SSAM 作為專家的基礎(chǔ)算子，每個(gè)模塊都包含并行的空間分支和光譜分支：空間分支用窗口多頭自注意力來(lái)捕捉空間結(jié)構(gòu)的依賴關(guān)系，光譜分支則用 1D 卷積建模不同波段之間的相關(guān)性。兩個(gè)分支的輸出會(huì)通過可學(xué)習(xí)的權(quán)重做加權(quán)融合，而且這些權(quán)重是每個(gè)專家獨(dú)有的參數(shù)，滿足空間權(quán)重與光譜權(quán)重之和為 1 的約束條件。

在訓(xùn)練過程中，不同的專家會(huì)自然出現(xiàn)功能分化：一部分專家的空間分支權(quán)重更高，更偏向于恢復(fù)紋理細(xì)節(jié)；另一部分專家的光譜分支權(quán)重更高，更側(cè)重保證光譜的保真度。路由機(jī)制可以根據(jù)退化提示動(dòng)態(tài)組合不同的專家，從而為當(dāng)前輸入匹配到最優(yōu)的空間 - 光譜恢復(fù)平衡。

實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)一共用到了 8 個(gè)高光譜數(shù)據(jù)集，覆蓋自然場(chǎng)景和遙感兩大領(lǐng)域。其中自然場(chǎng)景數(shù)據(jù)集中，ARAD 和 ICVL 用于統(tǒng)一訓(xùn)練和常規(guī)任務(wù)測(cè)試，CAVE 則專門用來(lái)做零樣本泛化測(cè)試；遙感數(shù)據(jù)集包括雄安、Chikusei、PaviaC、PaviaU 以及HyRank，所有遙感數(shù)據(jù)集都按照 8:2 的比例劃分成了訓(xùn)練集和測(cè)試集。考慮到自然場(chǎng)景和遙感數(shù)據(jù)之間存在明顯的領(lǐng)域差異，研究團(tuán)隊(duì)針對(duì)兩個(gè)領(lǐng)域分別訓(xùn)練了模型。

實(shí)驗(yàn)設(shè)置了兩類主要的評(píng)估方案：第一類是統(tǒng)一訓(xùn)練評(píng)估，在高斯去噪、高斯去模糊、超分辨率、圖像修復(fù)、波段補(bǔ)全這 5 類任務(wù)上進(jìn)行聯(lián)合訓(xùn)練和測(cè)試；第二類是零樣本泛化測(cè)試，把訓(xùn)練好的模型直接用在運(yùn)動(dòng)去模糊、泊松去噪這兩類訓(xùn)練中沒見過的退化上，不做任何微調(diào)。整個(gè)模型基于 PyTorch 實(shí)現(xiàn)，在單張 RTX 4090 GPU 上完成訓(xùn)練，優(yōu)化器選用 AdamW，損失函數(shù)采用 L1 損失；評(píng)價(jià)指標(biāo)方面，用 PSNR、SSIM 衡量空間保真度，用SAM 衡量光譜精度。

1.定性實(shí)驗(yàn)

圖4 已知退化類型任務(wù)上高光譜圖像恢復(fù)性能的視覺對(duì)比：從上到下依次為 ARAD 數(shù)據(jù)集上的超分辨率、ICVL 數(shù)據(jù)集上的去噪、PaviaU 數(shù)據(jù)集上的去模糊、雄安數(shù)據(jù)集上的修復(fù)，每幅圖像中紅色小框內(nèi)的內(nèi)容被放大，左側(cè)為與真值的誤差圖，右側(cè)為放大的結(jié)果圖像

圖5 CAVE 數(shù)據(jù)集上泊松去噪的視覺對(duì)比：第一行為恢復(fù)結(jié)果，第二行為誤差圖

四類已知退化任務(wù)的恢復(fù)視覺效果和誤差對(duì)比可以參考圖 4。從可視化結(jié)果能看出，DAMP 的重建誤差是最低的，恢復(fù)出的紋理細(xì)節(jié)更清晰，邊緣產(chǎn)生的偽影也更少。

圖 5 展示了在 CAVE 數(shù)據(jù)集上，針對(duì)未見退化類型做高光譜圖像恢復(fù)的定性結(jié)果，DAMP 方法產(chǎn)生的誤差明顯低于所有基線方法，體現(xiàn)出它對(duì)沒見過的恢復(fù)任務(wù)有很強(qiáng)的泛化能力。

圖6 自然數(shù)據(jù)集各類任務(wù)的跨波段歸一化數(shù)值誤差：(a) 高斯去噪 (b) 高斯去模糊(c) 超分辨率 (d) 圖像修復(fù) (e) 波段補(bǔ)全 (f) 平均

各任務(wù)跨波段的歸一化數(shù)值誤差分布如圖 6 所示。從跨波段的誤差曲線可以看出，SSAM 有效平衡了空間和光譜信息的利用，更好地保留了高光譜圖像本身的光譜特征，對(duì)應(yīng)的SAM 指標(biāo)表現(xiàn)也更優(yōu)。

2. 定量實(shí)驗(yàn)結(jié)果

表1 在自然與遙感數(shù)據(jù)集上五類高光譜恢復(fù)任務(wù)的定量對(duì)比

定量對(duì)比結(jié)果如表 1 所示。從整體數(shù)據(jù)來(lái)看，DAMP 在 5 類退化任務(wù)的幾乎所有數(shù)據(jù)集和指標(biāo)上，表現(xiàn)都優(yōu)于現(xiàn)有的一體化方法，同時(shí)性能也超過了大多數(shù)任務(wù)專屬方法。從整體平均指標(biāo)來(lái)看，ICVL 自然數(shù)據(jù)集上的平均 PSNR 可達(dá) 51.97dB，ARAD 自然數(shù)據(jù)集平均 PSNR 為 51.43dB，遙感數(shù)據(jù)集的整體平均 PSNR 也有 39.42dB，各項(xiàng)結(jié)果都達(dá)到了目前的最優(yōu)水平。

3.消融實(shí)驗(yàn)結(jié)果

核心組件有效性驗(yàn)證：

表2 核心組件的有效性

從表 2 的消融結(jié)果可以看出，在 ARAD 數(shù)據(jù)集上測(cè)試時(shí)，僅加入 DP 模塊就能讓平均 PSNR 提升4.20dB，SSIM 提升 0.010，這也說(shuō)明退化表征對(duì)多任務(wù)適配的提升作用非常關(guān)鍵；在此基礎(chǔ)上再加入 SSAM 模塊，PSNR 還能再提升1.41dB，足以證明空間 - 光譜自適應(yīng)的調(diào)制方式能有效提升恢復(fù)結(jié)果的保真度。完整模型最終能達(dá)到 51.43dB 的 PSNR 和0.989 的 SSIM。

路由策略對(duì)比：

表3 路由策略對(duì)比

從表 3 的數(shù)據(jù)可以看出，如果把文中的 DP 路由分別換成頻率路由、退化類型路由、隱式提示路由，模型性能都會(huì)出現(xiàn)明顯下降。其中 DP 路由比頻率路由的性能高出 3.71dB PSNR 和 0.006 SSIM，比退化類型路由高出 5.16dB PSNR 和 0.007 SSIM，充分證明了基于物理度量的退化感知路由的優(yōu)勢(shì)。

計(jì)算效率分析：

表4 效率對(duì)比

如表 4 所示，盡管引入了自適應(yīng)機(jī)制，DAMP 的計(jì)算開銷還是低于大多數(shù)同類方法：它的 FLOPs 為 313.8G，低于PromptIR 的 573.4G 和 MoCE-IR 的 365.5G；度量計(jì)算和路由帶來(lái)的額外耗時(shí)還不到 0.2ms，整體的推理效率完全可以滿足實(shí)際落地的需求。

度量與退化嚴(yán)重度的相關(guān)性驗(yàn)證：

圖7 退化度量與退化嚴(yán)重度的相關(guān)性趨勢(shì)

圖 7 的結(jié)果顯示，實(shí)驗(yàn)驗(yàn)證了大多數(shù)度量都會(huì)隨著退化嚴(yán)重度呈現(xiàn)單調(diào)變化的趨勢(shì)，9 組分析中有 7 組的皮爾遜相關(guān)系數(shù)超過了 0.4，說(shuō)明多個(gè)度量聯(lián)合起來(lái)可以穩(wěn)定、連續(xù)地量化圖像的退化程度，為精準(zhǔn)的專家路由提供了可靠的基礎(chǔ)。

4.零樣本泛化性能

表5 未見任務(wù)上的零樣本性能

零樣本泛化的測(cè)試結(jié)果如表 5 所示。在 CAVE 數(shù)據(jù)集的零樣本測(cè)試中，DAMP 表現(xiàn)出了明顯的泛化優(yōu)勢(shì)：運(yùn)動(dòng)去模糊任務(wù)上達(dá)到了 31.05dB 的 PSNR 和 0.899 的 SSIM，比性能最優(yōu)的基線方法 PromptIR 高出 0.52dB；泊松去噪任務(wù)上達(dá)到了 24.08dB 的 PSNR，比最優(yōu)基線方法高出 2.10dB。這主要是因?yàn)?/span>DP捕捉到了退化帶來(lái)的內(nèi)在統(tǒng)計(jì)偏差，哪怕訓(xùn)練過程中沒見過這種退化類型，路由機(jī)制也能根據(jù)退化的嚴(yán)重程度匹配到對(duì)應(yīng)的專家。

結(jié)論

文中提出DAMP框架，為解決統(tǒng)一的高光譜圖像恢復(fù)問題提供了一條既具備可解釋性又具有泛化能力的技術(shù)路線，用帶有強(qiáng)烈物理含義的空間-光譜度量代替?zhèn)鹘y(tǒng)的顯式退化標(biāo)簽和黑盒隱式嵌入，再通過退化提示驅(qū)動(dòng)的混合專家架構(gòu)，在單個(gè)模型內(nèi)完成多種類型退化的自適應(yīng)恢復(fù)。

實(shí)驗(yàn)結(jié)果表明，這種方法在5類標(biāo)準(zhǔn)恢復(fù)任務(wù)上是當(dāng)前的最優(yōu)方法，對(duì)運(yùn)動(dòng)模糊、泊松噪聲等訓(xùn)練中沒有出現(xiàn)過退化的情況也具備了非常好的零樣本泛化能力，并且計(jì)算量較小。

還有兩個(gè)不足：一是目前只在 7 類退化上驗(yàn)證了方法的有效性，如果遇到更罕見、或者物理機(jī)制差異很大的退化，可能還需要補(bǔ)充對(duì)應(yīng)的度量；二是目前自然場(chǎng)景和遙感數(shù)據(jù)還是需要分領(lǐng)域進(jìn)行訓(xùn)練，真正跨域通用的恢復(fù)模型研究還有待進(jìn)一步探索。后續(xù)的工作可以從擴(kuò)充退化基準(zhǔn)，設(shè)計(jì)動(dòng)態(tài)度量權(quán)重，探索域自適應(yīng)技術(shù)這些方向繼續(xù)深入研究。

---

?實(shí)際應(yīng)用與意義

在空天視覺領(lǐng)域的工程化落地場(chǎng)景中，DAMP 框架具很高的實(shí)際應(yīng)用價(jià)值：

1.適配復(fù)雜真實(shí)成像退化：衛(wèi)星和機(jī)載高光譜成像經(jīng)常會(huì)遇到大氣擾動(dòng)、傳感器噪聲、平臺(tái)運(yùn)動(dòng)模糊、條帶缺失等多種退化疊加的情況，以往的單任務(wù)模型都必須先判斷退化類型再切換對(duì)應(yīng)的模型，部署的復(fù)雜性很高。DAMP統(tǒng)一框架不需要提前輸入退化先驗(yàn)，其根據(jù)輸入圖像的統(tǒng)計(jì)特征調(diào)整恢復(fù)策略，簡(jiǎn)化了遙感數(shù)據(jù)預(yù)處理的實(shí)際流程，降低了多模型維護(hù)成本。

2.提升少見退化場(chǎng)景的泛化能力：遙感數(shù)據(jù)的退化模式受到傳感器型號(hào)、成像高度、天氣條件等多種因素影響很大，很多罕見退化很難收集到足夠的標(biāo)注樣本來(lái)訓(xùn)練模型。DAMP的度量式提示完全遵循圖像內(nèi)在的物理統(tǒng)計(jì)特性，能穩(wěn)定地刻畫訓(xùn)練分布外的退化，可以為少樣本、零樣本場(chǎng)景下的高光譜數(shù)據(jù)質(zhì)量提升提供參考。

---

參考文獻(xiàn)：

Wang B, Wang D, Guo H, Fu Y, Zhang J. Degradation-Aware Metric Prompting for Hyperspectral Image Restoration. International Conference on Machine Learning (ICML), 2026.

原文作者：公眾號(hào)“空天視覺智能”

原文鏈接：https://mp.weixin.qq.com/s/_pPISi5DArx60ndbtoGJSQ

雷峰網(wǎng)(公眾號(hào)：雷峰網(wǎng))轉(zhuǎn)載