HerosNet：用于快照压缩成像的高光谱可解释重建与最优采样深度网络
计算机视觉与模式识别
2022-05-17 v2 图像与视频处理
摘要
高光谱成像是广泛应用（尤其是遥感、农业和医学中）的一种重要成像方式。受现有高光谱相机或慢、或贵、或笨重的启发，从低预算快照测量中重建高光谱图像（HSIs）已引起广泛关注。通过将截断的数值优化算法映射为具有固定阶段数的网络，近期用于光谱快照压缩感知（SCI）的深度展开网络（DUNs）取得了显著成功。然而，由于缺乏跨阶段特征交互与自适应参数调整，DUNs远未达到工业应用的程度。本文提出一种用于SCI的新型高光谱可解释重建与最优采样深度网络，称为HerosNet，其在ISTA展开框架下包含若干阶段。每个阶段可灵活模拟感知矩阵并在梯度下降步中依上下文调整步长，并在近端映射步中分层融合与交互先前阶段的隐状态以有效恢复当前HSI帧。同时，学习一个硬件友好的最优二值掩膜进行端到端训练，以进一步提升重建性能。最后，我们的HerosNet在仿真与真实数据集上均以大幅优势超越最先进（SOTA）方法。源代码见 https://github.com/jianzhangcs/HerosNet。
引用
@article{arxiv.2112.06238,
title = {HerosNet: Hyperspectral Explicable Reconstruction and Optimal Sampling Deep Network for Snapshot Compressive Imaging},
author = {Xuanyu Zhang and Yongbing Zhang and Ruiqin Xiong and Qilin Sun and Jian Zhang},
journal= {arXiv preprint arXiv:2112.06238},
year = {2022}
}
备注
CVPR2022