基于深度学习的快照压缩光谱图像重建技术研究.pdf

华中科技大学硕士学位论文

摘要

快照压缩光谱成像具有捕获人眼无法察觉的光谱信息的同时进行高分辨率成像

的能力，可为各个领域提供更全面和准确的数据分析和决策支持。其核心是通过压

缩采样来保存场景中丰富的光谱信息，再通过重建算法从压缩观测中恢复信息。所

以本文重点是设计深度学习重建算法从压缩观测中恢复出光谱图像组，在重构算法

的重构质量、效率以及可解释性的问题进行较为深入地探究，具体内容如下：

2

首先，本文提出了一种端到端光谱重构网络UFormer。该网络引入线性自注意

力机制，使得模型不仅能够获取全局特征提取能力，且与softmax自注意力机制相

2

比具有更低的计算复杂度——仅为与输入分辨率的一次方。除此之外，UFormer引

入了编码孔径掩码引导机制，使得网络关注图像高失真区域进行重建；其次，为了

进一步提升重构算法精度以及可解释性，本文基于深度展开算法思想提出了

SAUNet。在其深度展开框架设计方面，本文在交替方向乘子法（Alternating

DirectionMethodofMultipliers）基础上引入可学习参数来调整每一个子问题的输出，

使得网络能够根据输入的退化程度自适应的优化求解。在SAUNet的去噪网络中，

本文引入了Transformer风格的卷积注意力机制，使得网络高效地建模空域局部和

非局部相关性；最后，为了进一步提升重建网络的可解释性，本文提出零值域分解

框架。该框架通过传感矩阵直接求解数据保真项而无需训练，借助生成式网络重建

图像的正则项，并通过直接相加这两项得到重建结果。基于SAUNet和零值域分解

框架，本文通过优化SAUNet初始化、去噪网络输入、耗时的三维偏移运算以及参

数共享机制，实现了可实时运行的Fast-SAUNet以及低存储消耗的Lite-SAUNet。

2

本文所提出的UFormer，SAUNet，零值域分解框架在CAVE和KAIST数据集

上，与其他压缩光谱图像重建算法比较，在多项指标上取得当前最好性能。不仅如

此，大量的消融实验表明本文所提出新机制在压缩光谱图像重构任务上的有效性。

最后，本文在模型可解释性上也给出了一定的分析和讨论。

关键词：快照压缩光谱成像；深度学习；深度展开；零值域分解

I

华中科技大学硕士学位论文

Abstract

SnapshotCompressiveSpectralImaginghasthecapabilitytocapturespectral

informationthatisimperceptibletothehumaneyewhileproducinghigh-resolution

images,whichcanprovidemorecomprehensiveandaccuratedataanalysisanddecision

supportinvariousfields.ThecoreofSnapshotCompressiveSpectralImagingisto

preservetherichspectralinformationinthescenethroughcompressedsampling,andthen

recovertheinformationfromthecompressivemeasurementthroughthereconstruction

algorithm.Tot