摘要

为获取快照式光谱图像，研究提出了编码孔径快照式光谱成像（Coded Aperture Snapshot Spectral Imaging, CASSI）方法。CASSI系统的核心问题在于：如何从二维测量数据中恢复出可靠且精细的三维光谱立方体。深度展开（deep unfolding）方法通过交替求解数据保真子问题与先验子问题，取得了良好的重建性能。然而，在数据保真子问题中，所采用的感知矩阵因相位畸变、器件畸变等硬件误差，难以准确反映实际的退化过程；而在先验子问题中，设计一个能够联合利用空间与光谱先验信息的有效模型至关重要。为此，本文提出一种残差退化学习展开框架（Residual Degradation Learning Unfolding Framework, RDLUF），有效弥合了感知矩阵与真实退化过程之间的差距。此外，本文进一步设计了一种混合空间-光谱Transformer（Mix$S^2$ Transformer），通过在光谱维度与空间维度之间融合先验信息，显著增强了光谱-空间联合表征能力。最终，将Mix$S^2$ Transformer嵌入RDLUF框架，构建了一个端到端可训练的神经网络模型——RDLUF-Mix$S^2$。实验结果表明，所提出方法在重建性能上显著优于现有主流方法。