SlowFast-SCI：用于光谱压缩成像的快慢速深度展开学习
计算机视觉与模式识别
2025-12-29 v2
摘要
人类以两种互补的方式学习：一种是缓慢、累积的过程，构建广泛、通用的知识；另一种是快速、即时的过程，捕捉特定经验。现有的用于光谱压缩成像（SCI）的深度展开方法仅反映了慢速部分——依赖于大量展开阶段的繁重预训练——但它们缺乏处理新光学配置所需的快速适应能力。因此，它们在分布外相机上表现不佳，尤其是在训练期间未见过的定制光谱设置中。这种深度也带来了沉重的计算负担和缓慢的推理速度。为了弥合这一差距，我们引入了 SlowFast-SCI，这是一个双速框架，可无缝集成到任何超越 SCI 系统的深度展开网络中。在慢速学习阶段，我们预训练或重用基于先验的主干网络，并通过成像引导将其蒸馏成一个紧凑的快速展开模型。在快速学习阶段，轻量级适应模块被嵌入到每个块中，并在测试时通过双域损失进行自监督训练——无需重新训练主干网络。据我们所知，SlowFast-SCI 是第一个由测试时适应驱动的深度展开框架，用于高效、自适应的光谱重建。其双阶段设计将离线鲁棒性与在线逐样本校准相结合——在分布外数据上实现了超过 70% 的参数和 FLOPs 减少，高达 5.79 dB 的 PSNR 提升，保持了跨域适应性，并实现了 4 倍的适应速度提升。此外，其模块化设计可与任何深度展开网络集成，为自适应、可现场部署的成像和扩展的计算成像模态铺平了道路。模型、数据集和代码可在 https://github.com/XuanLu11/SlowFast-SCI 获取。
引用
@article{arxiv.2509.16509,
title = {SlowFast-SCI: Slow-Fast Deep Unfolding Learning for Spectral Compressive Imaging},
author = {Haijin Zeng and Xuan Lu and Yurong Zhang and Qiangqiang Shen and Guoqing Chao and Li Jiang and Yongyong Chen},
journal= {arXiv preprint arXiv:2509.16509},
year = {2025}
}
备注
10 pages