摘要
高光谱成像技术为遥感、矿产勘探以及生物医学分析提供了丰富的空间和光谱信息，但其有限的空间分辨率以及传感器缺陷会导致图像出现模糊、噪声以及混合像素现象。研究表明，同时解决这些问题而非依次处理，能够提升数据的物理可解释性。不过现有的联合去模糊与解混方法主要依赖人工设计的正则化手段，未能充分利用空间-光谱结构的特点。与此同时，近期应用于高光谱成像的即插即用型方法虽然利用了深度先验知识，但仅专注于单独的去卷积或解混操作。为填补这一空白，我们提出了高光谱去模糊与光谱解混的联合反问题，并设计了首个专为该任务设计的即插即用框架，该框架采用交替方向乘子法结合预训练的深度去噪模型作为隐式先验。该方法利用交替方向乘子法的天然分解特性，将基于物理原理的子问题——该子问题要求结果符合包含线性混合与模糊效应的高光谱正向模型，且采用线性、空间不变的卷积近似——与基于数据的先验处理步骤分开处理。这种基于模型的精确度要求与学习得到的空间先验的结合，使得该方法能够获得比仅依赖解析正则化方法更准确的元素含量估算结果。在真实高光谱数据集上的实验结果表明，所提出的即插即用联合去卷积与解混方法在重建精度和元素含量估算精度方面均优于传统的解混方法、独立的即插即用解混方法，以及基于交替方向乘子法与总变分的去模糊与稀疏解混方法。在所有测试的数据集和成像条件下，该方法都能实现更低的均方根误差、更高的峰值信噪比、更小的重建误差和元素含量估算误差，以及更低的结构相似度值，同时还能保留精细的空间细节，并生成具有物理意义的元素含量分布图。
