基于退化学习与空间稀疏变换展开网络的反射式光谱压缩成像重建方法

针对反射式编码孔径快照光谱成像系统(R-CASSI)重建算法研究不足的问题，研究人员提出首个深度展开网络DLSSTUN。通过空间稀疏变换(SST)模块和动态梯度下降(DGD)机制，有效解决了传感矩阵与退化矩阵失配问题，在保持空间分辨率优势的同时实现HSIs高质量重建，为光谱成像技术发展提供新思路。

　　

在精准农业、环境监测和医疗诊断等领域，高光谱图像(HSIs)因其丰富的光谱-空间信息而备受青睐。然而传统光谱成像技术面临系统复杂、采集速度慢等瓶颈。快照压缩成像(SCI)技术通过压缩感知(CS)理论突破奈奎斯特采样限制，其中编码孔径快照光谱成像(CASSI)系统最具代表性。反射式CASSI(R-CASSI)融合单双色散系统优势，但现有重建算法多针对单色散系统(SD-CASSI)设计，难以充分发挥其空间分辨率优势。

针对这一技术空白，研究人员提出退化学习空间稀疏变换展开网络(DLSSTUN)。该研究首次将深度展开(DU)框架应用于R-CASSI系统，通过U型初始化网络替代传统随机初始化，构建基于Swin Transformer的空间稀疏变换(SST)模块，创新性引入动态梯度下降(DGD)机制补偿硬件退化效应。实验表明该方法在仿真和真实数据集上均达到最优性能。

关键技术包括：1) 采用CAVE数据集512×512像素HSIs进行训练；2) 设计27波段(450-700nm)光谱重建模型；3) 构建包含SST模块的迭代软阈值算法(ISTA)展开框架；4) 通过STF模块实现多阶段信息传递。

【Compressive hyperspectral imaging system】
研究阐明R-CASSI通过反射光路补偿空间偏移，其测量值保持原始HSIs空间分辨率，但掩模单次通过棱镜导致传感矩阵错位。

【Model of R-CASSI system】
理论分析表明目标场景X∈R^H×W×N_λ经反射式编码后，退化矩阵与传感矩阵差异显著增大，需通过DGD机制进行补偿。

【Experimental settings】
在CAVE数据集测试中，该方法PSNR/SSIM指标显著优于U-Net-3D等对比算法，真实数据实验验证其卓越的空间细节重建能力。

【Conclusion】
该研究开创性地将DU框架引入R-CASSI系统重建，SST模块有效捕获长程空间相关性，DGD机制成功解决硬件退化问题。相比纯数据驱动的E2E方法，DLSSTUN兼具物理可解释性与重建性能优势，为高光谱成像技术发展提供新范式。论文发表于《Optical Materials: X》，获得国家自然科学基金(62273125)支持。