用于压缩光谱成像的跨光谱与空间混合先验残差退化学习展开框架
图像与视频处理
2023-11-16 v3 计算机视觉与模式识别
摘要
为获取快照光谱图像，提出了编码孔径快照光谱成像（CASSI）。CASSI系统的核心问题是从二维测量中恢复可靠且精细的底层三维光谱立方体。通过交替求解数据子问题与先验子问题，深度展开方法取得了良好性能。然而，在数据子问题中，由于相位像差、畸变引起的器件误差，所用感知矩阵与实际退化过程不相适应；在先验子问题中，设计合适模型以联合利用空间与光谱先验至关重要。本文提出残差退化学习展开框架（RDLUF），弥合了感知矩阵与退化过程间的差距。此外，通过跨光谱与空间混合先验设计了Mix Transformer，以增强光谱-空间表征能力。最后，将Mix Transformer嵌入RDLUF得到端到端可训练神经网络RDLUF-Mix。实验结果确立了所提方法相对于现有方法的优越性能。
引用
@article{arxiv.2211.06891,
title = {Residual Degradation Learning Unfolding Framework with Mixing Priors across Spectral and Spatial for Compressive Spectral Imaging},
author = {Yubo Dong and Dahua Gao and Tian Qiu and Yuyan Li and Minxi Yang and Guangming Shi},
journal= {arXiv preprint arXiv:2211.06891},
year = {2023}
}
备注
CVPR 2023