退化学习自适应深度展开网络:高光谱压缩成像的创新框架

《Pattern Recognition》:Degradation Learning Adaptive Deep Unfolding Network for Spectral Compressive Imaging

【字体: 大 中 小 】 时间:2026年01月12日 来源:Pattern Recognition 7.6

编辑推荐:

  本文提出了一种基于迭代软阈值算法(ISTA)的退化学习自适应深度展开网络(DLADUN),通过动态退化信息更新模块、自适应梯度下降模块和自适应软阈值模块,突破了传统深度展开网络对固定退化矩阵的依赖。该框架创新性地融合Transformer的全局低频建模与傅里叶变换的高频细节捕捉能力,在仿真和真实高光谱图像(HSI)重建任务中实现约0.37 dB的PSNR提升,为计算成像领域提供了可解释性强、适应性优的新范式。

  
Section snippets
Related Work
为实现高质量的高光谱图像(HSI)重建,研究者提出了包括基于模型的方法、端到端深度学习方法以及深度展开方法在内的多种技术路线。
CASSI系统
给定场景X∈RH×W×N(其中H、W、N分别表示高光谱立方体的高度、宽度和波段数),首先通过物理掩膜M∈RH×W调制得到编码高光谱图像:
X′(:,:,n)=X(:,:,n)⊙M(⊙表示逐元素乘法)。随后通过色散器进行光谱偏移:
X″(h,w,n)=X′(h,w+d(λn?λr),n)(d为波段偏移步长,λr为参考波段)。成像传感器最终捕获二维压缩测量值。
Problem Formulation and ISTA Framework
基于前向模型,高光谱重建被表述为通过稀疏正则化求解病态逆问题:
x^=argminx12∥Φx?y∥22+λ|Ψx|1
其中λ平衡数据保真度与稀疏约束,Ψ为稀疏变换,?1范数强制稀疏性。高光谱图像在变换域的固有稀疏性使迭代软阈值算法(ISTA)成为求解该问题的理想选择。
Datasets and Evaluation Metrics
我们在仿真和真实高光谱数据集上开展实验。遵循TSA-Net设置,通过光谱插值获得28个波段(450-650 nm)。仿真训练使用CAVE数据集(512×512空间尺寸),测试选用KAIST的10个场景(2704×3376空间尺寸)。真实数据采用TSA-Net采集的压缩测量值(660×714空间尺寸)作为测试集。
Conclusion
本文提出的退化学习自适应深度展开网络(DLADUN)通过初始化子网络提供粗重建结果并跨阶段传递隐藏特征,结合自适应梯度下降、自适应软阈值和退化信息更新模块的协同作用,实现了退化建模灵活性的突破。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号