《Pattern Recognition》:Degradation Learning Adaptive Deep Unfolding Network for Spectral Compressive Imaging
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(其中H、W、N分别表示高光谱立方体的高度、宽度和波段数),首先通过物理掩膜调制得到编码高光谱图像:
(⊙表示逐元素乘法)。随后通过色散器进行光谱偏移:
(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:
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。