近端梯度下降展开密集空间光谱注意力变换器用于压缩光谱成像
信号处理
2023-12-29 v1
摘要
编码孔径快照光谱压缩成像（CASSI）系统在单次曝光中将三维高光谱图像调制为二维压缩图像。随后，可以使用重建算法从二维压缩测量值中重建三维高光谱图像（HSI）。在这些方法中，深度展开技术表现出色，其中RDLUF-MixS^2取得了最佳重建结果。然而，RDLUF-MixS^2需要大量的训练时间，在单个RTX 3090 GPU上训练RDLUF-MixS^2-9stg大约需要14天，计算成本高昂。此外，RDLUF-MixS^2在真实数据上表现不佳，导致重建图像中出现明显的伪影。在本研究中，我们将密集空间光谱注意力变换器（DST）引入近端梯度下降展开框架（PGDUF），创建了一种称为近端梯度下降展开密集空间光谱注意力变换器（PGDUDST）的新方法。与RDLUF-MixS^2相比，PGDUDST不仅超越了RDLUF-MixS^2的网络重建性能极限，而且实现了更快的收敛。PGDUDST仅需RDLUF-MixS^2-9stg训练时间的58%即可达到相当的重建结果。此外，PGDUDST显著减轻了RDLUF-MixS^2在真实实验数据中引起的伪影问题，展现出更优越的性能并产生更清晰的重建图像。
引用
@article{arxiv.2312.16237,
title = {Proximal Gradient Descent Unfolding Dense-spatial Spectral-attention Transformer for Compressive Spectral Imaging},
author = {Ziyan Chen and Jing Cheng},
journal= {arXiv preprint arXiv:2312.16237},
year = {2023}
}