Hyperspectral image super-resolution by fusing high-resolution multispectral image (HR-MSI) and low-resolution hyperspectral image (LR-HSI) aims at reconstructing high resolution spatial-spectral information of the scene. Existing methods mostly based on spectral unmixing and sparse representation are often developed from a low-level vision task perspective, they cannot sufficiently make use of the spatial and spectral priors available from higher-level analysis. To this issue, this paper proposes a novel HSI super-resolution method that fully considers the spatial/spectral subspace low-rank relationships between available HR-MSI/LR-HSI and latent HSI. Specifically, it relies on a new subspace clustering method named “structured sparse low-rank representation” (SSLRR), to represent the data samples as linear combinations of the bases in a given dictionary, where the sparse structure is induced by low-rank factorization for the affinity matrix. Then we exploit the proposed SSLRR model to learn the SSLRR along spatial/spectral domain from the MSI/HSI inputs. By using the learned spatial and spectral low-rank structures, we formulate the proposed HSI super-resolution model as a variational optimization problem, which can be readily solved by the ADMM algorithm. Compared with state-of-the-art hyperspectral super-resolution methods, the proposed method shows better performance on three benchmark datasets in terms of both visual and quantitative evaluation.

中文翻译：

---

高光谱图像超分辨率的空间光谱结构稀疏低秩表示

通过融合高分辨率多光谱图像（HR-MSI）和低分辨率高光谱图像（LR-HSI）的高光谱图像超分辨率旨在重建场景的高分辨率空间光谱信息。现有的主要基于光谱分解和稀疏表示的方法通常是从低级视觉任务的角度开发的，它们不能充分利用高级分析中可用的空间和光谱先验。针对这一问题，本文提出了一种新颖的HSI超分辨率方法，该方法充分考虑了可用HR-MSI / LR-HSI与潜在HSI之间的空间/光谱子空间低秩关系。具体而言，它依赖于一种名为“结构化稀疏低秩表示”（SSLRR）的新子空间聚类方法，将数据样本表示为给定字典中碱基的线性组合，其中稀疏结构是通过针对亲和力矩阵的低阶分解实现的。然后，我们利用提出的SSLRR模型从MSI / HSI输入沿空间/频谱域学习SSLRR。通过使用学习到的空间和频谱低秩结构，我们将提出的HSI超分辨率模型公式化为变分优化问题，可以通过ADMM算法轻松解决。与最新的高光谱超分辨率方法相比，该方法在视觉和定量评估方面都表现出在三个基准数据集上更好的性能。然后，我们利用提出的SSLRR模型从MSI / HSI输入沿空间/频谱域学习SSLRR。通过使用学习到的空间和频谱低秩结构，我们将提出的HSI超分辨率模型公式化为变分优化问题，可以通过ADMM算法轻松解决。与最新的高光谱超分辨率方法相比，该方法在视觉和定量评估方面都表现出在三个基准数据集上更好的性能。然后，我们利用提出的SSLRR模型从MSI / HSI输入沿空间/频谱域学习SSLRR。通过使用学习到的空间和频谱低秩结构，我们将提出的HSI超分辨率模型公式化为变分优化问题，可以通过ADMM算法轻松解决。与最新的高光谱超分辨率方法相比，该方法在视觉和定量评估方面都表现出在三个基准数据集上更好的性能。