探索视频级压缩光谱重建中的时空特征传播：数据集、模型与基准
计算机视觉与模式识别
2026-03-03 v1
摘要
最近，光谱压缩成像（SCI）取得了显著进展，为动态光谱视觉开辟了广阔的潜力。然而，现有的重建方法主要基于图像，存在两个局限性：（i）编码过程掩盖了空间-光谱特征，导致从单一压缩测量重建缺失信息时缺乏确定性；（ii）基于逐帧重建的范式无法确保时序一致性，这在视频感知中至关重要。为此，本文致力于从图像层面拓展至视频层面，利用动态场景中相邻帧之间互补特征和时序连续性。首先，我们构建了首个高质量的动态超光谱图像数据集（DynaSpec），包含通过帧扫描获取的 30 个序列。随后，我们提出 Propagation-Guided Spectral Video Reconstruction Transformer（PG-SVRT），采用空间-然后-时间注意力有效地从丰富的视频信息中重建光谱特征，同时通过桥接 token 降低计算复杂度。最后，我们进行仿真实验评估四种 SCI 系统，并构建了一个 DD-CASSI 原型用于实际数据收集和基准测试。广泛的实验表明，PG-SVRT 在重建质量、光谱保真度和时序一致性方面均实现了优异性能，同时保持最小的 FLOPs。项目页面：https://github.com/nju-cite/DynaSpec
关键词
引用
@article{arxiv.2603.00611,
title = {Exploring Spatiotemporal Feature Propagation for Video-Level Compressive Spectral Reconstruction: Dataset, Model and Benchmark},
author = {Lijing Cai and Zhan Shi and Chenglong Huang and Jinyao Wu and Qiping Li and Zikang Huo and Linsen Chen and Chongde Zi and Xun Cao},
journal= {arXiv preprint arXiv:2603.00611},
year = {2026}
}
备注
Accepted by CVPR 2026