BTC-Net-V2

BTC-Net V2数据集是一个专门用于高光谱图像（HSI）压缩和分层无线传输研究的开源数据集，尤其支持空间优先级分层重建任务。该数据集基于AVIRIS传感器采集的高光谱图像数据，经过处理形成适用于深度学习模型的格式。数据集共包含1,195个处理后的HSI补丁或子体积样本，以MATLAB的.mat文件格式存储。为便于稳定下载，这些文件被均匀分割并打包成12个独立的zip压缩包（每包约含100个文件）。该数据集主要应用于图像到图像转换、高光谱图像压缩、图像重建及无线通信等深度学习研究场景。The BTC-Net V2 dataset is an open-source dataset specifically designed for hyperspectral image (HSI) compression and hierarchical wireless transmission research, with particular support for spatial priority hierarchical reconstruction tasks. It is based on hyperspectral image data collected by the AVIRIS sensor, processed into a format suitable for deep learning models. The dataset contains a total of 1,195 processed HSI patches or sub-volume samples, stored in MATLAB .mat file format. For stable downloading, these files are evenly split and packaged into 12 independent zip archives (each containing approximately 100 files). This dataset is primarily used in deep learning research scenarios such as image-to-image translation, hyperspectral image compression, image reconstruction, and wireless communications.

原始信息汇总

BTC-Net V2 数据集概述

数据集基本信息

• 数据集名称: BTC-Net V2 Dataset
• 许可证: MIT
• 任务类型: 图像到图像 (image-to-image)、其他 (other)
• 标签: 高光谱成像、HSI压缩、图像压缩、图像重建、深度学习、无线通信
• 数据集规模: 1K < n < 10K
• 数据格式: MATLAB .mat 文件，打包成按序排列的 .zip 压缩块

数据集规模与结构

• 总样本数: 1,195 个处理后的高光谱图像 (HSI) 子块/子体积
• 数据来源: AVIRIS 传感器
• 核心应用: 空间优先分层重建、HSI压缩、深度学习

文件组织

数据集被均匀分布在 12 个独立的 zip 压缩包 中，每个压缩包约包含 100 个文件，以避免网络波动导致的下载中断：

• aviris_mat_chunk_01.zip（包含文件 1-100）
• aviris_mat_chunk_02.zip（包含文件 101-200）
• ...
• aviris_mat_chunk_12.zip（包含剩余文件）

相关资源

完整实现、网络架构及预训练模型可在官方 GitHub 仓库获取：MWan-deeplearner/BTC-Net-V2

搜集汇总

数据集介绍

构建方式

该数据集源自AVIRIS传感器采集的高光谱影像，经过精细的块状分割处理，共生成1,195个高光谱子块，以MATLAB的.mat格式存储。为避免网络波动导致下载中断，所有数据文件被均等分配至12个独立的ZIP压缩包中，每个包约含100个文件，命名遵循'aviris_mat_chunk_序号.zip'的规范，确保数据获取的鲁棒性与易用性。

特点

作为面向高光谱图像压缩与层次化无线传输研究的标准数据集，BTC-Net-V2的样本规模介于1千至1万之间，专为深度学习模型设计。其数据形态为三维子块结构，适用于图像到图像转换及多任务学习，尤其支持空间优先级的分层重建范式，在压缩与重构任务中展现出独特的领域适应性。

使用方法

使用者需依次下载12个ZIP压缩包，解压后获得.mat格式的高光谱子块文件。这些数据可直接输入至配套的BTC-Net V2网络架构中，用于训练、验证或测试基于深度学习的压缩与重建模型。完整的实现代码与预训练权重可通过官方GitHub仓库获取，便于复现与扩展研究。

背景与挑战

背景概述

高光谱成像技术能够捕获数十至数百个连续光谱波段的信息，在遥感、农业监测和环境科学等领域具有不可替代的作用。然而，高光谱图像数据量庞大，对存储和传输提出了严苛挑战。BTC-Net-V2数据集由研究者Wan等人于近年创建，旨在推动基于深度学习的空间优先级分层重建方法在高光谱图像压缩中的应用。该数据集源于AVIRIS传感器采集的真实高光谱数据，经处理形成1195个结构化子块，为研究者提供了标准化的训练与评估基准。这一资源的发布，为高光谱压缩与无线分层传输研究注入了新动力，有望促进相关领域技术落地。

当前挑战

高光谱图像压缩面临的核心挑战在于如何在显著降低数据量的同时，保留光谱与空间维度中的关键信息。传统压缩方法常难以平衡压缩率与重建质量，尤其在资源受限的无线传输场景下。构建过程中，研究者需处理AVIRIS传感器原始数据的巨大体量，通过分块策略生成适于深度学习输入的均匀子集，这要求对数据分布与光谱相关性有深刻理解。此外，为防止网络波动导致传输中断，数据集被划分为12个独立压缩包，增加了组织与验证的复杂性。这些挑战共同构成了BTC-Net-V2数据集设计和应用的核心难题。

常用场景

经典使用场景

在高光谱成像领域，数据立方体包含数百个连续光谱波段，信息量庞大但冗余度高，给存储与传输带来严峻挑战。BTC-Net-V2数据集专门为基于深度学习的高光谱图像压缩与重建任务而设计，其经典使用场景是作为训练与评估空间优先分层重建网络的基准数据。研究者利用来自AVIRIS传感器的1,195个处理后的高光谱图像子块，能够针对性地探索如何在不显著损失光谱信息的前提下，实现高效的下行无线传输与精确的端到端图像复原。

解决学术问题

该数据集解决的第一个核心学术问题是高光谱图像在带宽受限、信道不稳定的无线链路中的高效压缩与可靠重建。传统方法尝试均匀压缩所有波段，忽略了空间与光谱的异质性冗余；而BTC-Net V2通过分层结构与空间优先策略，从数学与工程双重角度突破了这一局限。此外，该数据集为证明分层重建在低信噪比与高压缩比条件下的性能优越性提供了标准化评测平台，推动了深度学习在遥感与通信交叉领域的量化研究，其影响在于启发了后继对谱间与空域相互作用的联合建模。

衍生相关工作

基于该数据集，学术界已衍生出一系列具有影响力的研究工作。其中最具代表性的是作为主干框架的BTC-Net V2本身，其提出的空间优先分层重建机制被后续许多高光谱压缩方法采纳或改进。此外，围绕该数据集中AVIRIS传感器数据的特殊谱间分布特性，衍生出了专注于预训练光谱编码器的无监督学习工作，以及针对抗传输丢包的动态冗余分配方案。这些相关工作共同推动了高光谱图像通信从静态编码向智能分层传输的范式转变，并为国际遥感与信号处理领域开展标准化对比评估奠定了数据基础。