受优化问题展开启发的 hyperspectral 解混网络

高光谱图像（HSI）解混任务本质上是一个逆问题，通常在预定义的（非）线性混合模型下通过优化算法求解。尽管这些优化算法表现出令人印象深刻的性能，但由于常依赖迭代更新方案，它们计算开销很大。近来，神经网络的兴起启发了解混文献中许多基于学习的算法。然而，其中大多数缺乏可解释性且需要大量训练数据集。一个自然的问题是：能否结合基于模型的算法与基于学习的算法，为 HSI 解混问题实现可解释且快速的算法？本文中，我们通过结合传统的基于优化模型的解混方法与新兴的基于学习的解混方法，提出了两种新颖的网络架构，分别称为 U-ADMM-AENet 和 U-ADMM-BUNet，用于丰度估计与盲解混。我们首先考虑带稀疏约束的线性混合模型，然后展开交替方向乘子法（ADMM）算法以构建解混网络结构。我们还表明展开的结构可在机器学习文献中找到相应解释，这进一步证明了所提方法的有效性。得益于该解释，所提网络可通过融入 HSI 数据的先验信息来初始化。不同于传统展开网络，我们为所提网络提出了一种新的训练策略以更好适配 HSI 应用。大量实验表明，与 SOTA 算法相比，所提方法即使在极小规模训练数据下也能实现更快收敛与具竞争力的性能。