Para resolver o problema do alto custo dos equipamentos de imageamento hiperespectral e a dificuldade de sua ampla aplicação, utiliza-se uma rede de aprendizado profundo para reconstruir imagens hiperespectrais de alta qualidade a partir de imagens RGB facilmente acessíveis. A rede de aprendizado profundo Res2-Unet proposta, baseada na estrutura Unet e construída com o Res2Net como módulo principal de sua rede backbone, pode extrair características locais e globais da imagem em um nível mais detalhado. Introduz-se um mecanismo de atenção no canal para ajustar adaptiveamente a resposta das características do canal e, entre o codificador e o decodificador, utiliza-se conexões de salto para fundir completamente informações de diferentes escalas e profundidades. Por fim, o treinamento e teste foram realizados no conjunto de dados do desafio internacional de novas tendências em restauração e realce de imagens de 2020. Os resultados experimentais mostram que o método proposto obteve os melhores resultados em quatro métricas objetivas de avaliação (erro absoluto relativo médio, erro quadrático médio, relação sinal-ruído de pico e ângulo espectral médio) em comparação com redes de mecanismo de atenção ponderada adaptativa e redes de regressão hierárquica; na pista Clean, a relação sinal-ruído de pico média foi superior em 0,08 dB e 1,73 dB, respectivamente; na pista Real World, foi superior em 0,72 dB e 0,97 dB, respectivamente. Em comparação com imagens hiperespectrais de referência e imagens reconstruídas, o método proposto conseguiu melhores efeitos visuais subjetivos, tanto em áreas planas de baixa frequência quanto em áreas de textura de alta frequência das imagens.

aprendizado profundo; imagens hiperespectrais; reconstrução de imagens; Res2Net; mecanismo de atenção de canal