面具引导的空间光谱MLP网络用于高分辨率的高光谱图像重建

科学领域:

• 计算机视觉 计算机视觉
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 超光谱图像 (HSI) 重建对于光谱压缩成像 (CASSI) 系统至关重要,特别是在动态环境中.
• 深度展开框架已经进行了先进的HSI重建,但由于大型模型和高计算成本而受到影响.
• 现有的方法反复地解决子问题,增加模型复杂性和资源需求.

研究的目的:

• 为CASSI系统开发一个计算效率高,准确的HSI重建方法.
• 解决深度展开框架在模型大小和开销方面的局限性.
• 使用一种新的深度学习方法,将退化和隐藏的目标表示解开.

主要方法:

• 一个轻量级的MLP块捕捉了空间和光谱领域的非局部相似性和远程依赖性.
• 一个基于注意力的面具建模模块生成空间光谱适应性降解表示.
• 多层次的融合和更深入的监督增强了信息流和特征提取.
• 双域损失结合了投影和重建损失,以实现一致的光学检测.

主要成果:

• 与对基准HSI数据集的最先进方法相比,提出的方法实现了更高的重建准确性.
• 显著降低计算和内存成本被证明.
• 该方法有效地将降解信息从隐藏的目标表示中解脱出来.
• 实验结果验证了拟议技术的效率和有效性.

结论:

• 提出的方法为CASSI中HSI重建提供了一个简单而有效的解决方案.
• 它克服了传统深度展开方法的计算和内存限制.
• 该方法在准确性和效率方面表现出强的表现,为实际应用铺平了道路.