基于局部增强长程依赖网络的衍射光谱快照成像系统高光谱重建方法

《Optical Materials: X》：1.2 μm cascaded Raman fiber oscillator exceeding 1.3 kW

针对衍射光谱快照成像(DSSI)系统在纹理稀疏区域光谱重建的难题，研究人员创新性地提出局部增强长程依赖网络(LLDB)，通过状态空间模型(SSM)高效捕获长程依赖关系，结合数据筛选策略提升训练稳定性。该方法在仿真和真实数据实验中均取得最优(SOTA)性能，为移动平台光谱成像提供重要技术支撑。

　　

在农业监测、环境遥感等领域，高光谱成像(HSI)技术因其独特的光谱"指纹"识别能力备受青睐。然而传统光谱成像系统犹如笨重的"老式胶片相机"，依赖机械扫描部件导致体积庞大、成像迟缓，难以捕捉动态场景。虽然编码孔径快照光谱成像(CASSI)系统通过压缩感知原理实现了单次曝光，但其光学结构中继透镜造成的"身材臃肿"问题，以及编码膜导致的光通量下降，始终制约着实际应用。

这一困局被韩国学者Jeon等提出的衍射光谱快照成像(DSSI)系统打破——该系统仅用衍射光学元件(DOE)就能完成成像编码，体积仅相当于"智能手机镜头"。但DSSI系统存在一个致命缺陷：如同只能记录鲜艳色彩的"色盲相机"，它无法直接获取纹理稀疏区域的光谱信息。这些区域的光谱重建必须依赖周边纹理丰富区的数据关联，这对算法捕捉长程依赖关系的能力提出极高要求。

为攻克这一难题，浙江大学的研究团队在《Optical Materials: X》发表创新成果。他们发现现有重建方法多移植自普通RGB图像重建模型，忽视了DSSI系统特有的长程依赖特性。通过分析DSSI的编码机制，团队揭示其点扩散函数(PSF)与相机响应函数(CRF)耦合形成的独特调制特性：J_c[x,y]=∑I[x,y,i]?P_c[x,y,i]+η，其中P_c[x,y,i]=p[x,y,i]·Ω_c[i]。这种编码方式使得纹理稀疏区的光谱信息如同"破碎的拼图"，必须通过远距离纹理特征才能完整复原。

研究采用三项核心技术：1）构建基于状态空间模型(SSM)的轻量化长程依赖捕获模块；2）设计局部增强分支形成LLDB模块，兼顾局部细节与全局关联；3）开发数据筛选策略剔除无效训练样本。在ICVL和Harvard等基准数据集测试中，该方法峰值信噪比(PSNR)提升2.1dB，在512×512图像重建耗时仅73ms。

【编码机制与特性】部分通过光学建模阐明，DSSI系统通过DOE调制产生波长相关的PSF，其与CMOS传感器的CRF共同作用，在RGB通道形成独特编码。实验显示该系统总长仅42mm，重量不足200g，但光谱分辨率达5nm。

【解码方法】章节提出双阶段重建框架：先通过LLDB模块重建纹理丰富区光谱，再利用SSM捕获的远距关联推断稀疏区数据。相比传统卷积网络和Transformer架构，该方案在保持局部精度的同时，将长程依赖建模的计算复杂度降低67%。

【仿真实验】数据显示，在31波段重建任务中，该方法平均角误差(MAE)较MPRNet降低31%，在植被监测场景下，叶绿素特征峰重建误差小于0.8%。真实无人机采集实验证实，该方法能准确复原农作物病害早期的细微光谱变异。

研究结论指出，该方法首次系统解决了DSSI系统在纹理稀疏区的光谱重建难题，为微型化光谱成像设备提供关键算法支撑。未来通过DOE设计优化与神经网络架构协同，有望实现毫米级光谱成像模组。这项突破不仅推动计算光学领域发展，更为农业物联网、移动医疗等场景带来新的技术可能。