LRDUN：用于高效光谱压缩成像的低秩深度展开网络
计算机视觉与模式识别
2026-04-24 v2
摘要
深度展开网络(DUN)已取得显著成功，成为光谱压缩成像(SCI)重建的主流范式。现有 DUN 来源于完整高维平面成像模型，其中每个阶段直接作用于高维 HSI，对单个 2D 编码测量结果进行基于整个数据立方体的细化。然而，这种范式导致计算冗余，且存在将 2D 残差映射回 HSI 三维空间的病态问题。本文提出两种新型成像模型，分别对应谱基和子空间图像，通过显式集成低秩(LR)分解与探测模型。与恢复完整 HSI 相比，估计这些紧凑低维组件显著缓解了病态性。基于这些新模型，我们开发了低秩深度展开网络(LRDUN)，在展开的proximal梯度下降(PGD)框架内联合求解两个子问题。此外，我们引入了广义特征展开机制(GFUM)，将数据保真项中的物理秩与先验模块中的特征维度分离，增强了网络的表示能力和灵活性。大量在模拟和真实数据集上的实验表明，所提出的 LRDUN 在显著降低计算成本的同时实现了国际知名水平(SOTA)的重建质量。
引用
@article{arxiv.2511.18513,
title = {LRDUN: A Low-Rank Deep Unfolding Network for Efficient Spectral Compressive Imaging},
author = {He Huang and Yujun Guo and Wei He},
journal= {arXiv preprint arXiv:2511.18513},
year = {2026}
}
备注
17 pages, 16 figures,