高光譜圖像復原問題是將退化的觀測圖像轉化為真實的高維圖像，是數學與信息科學交叉研究中急需解決的基礎科學問題之一。近年來，深度學習方法在高光譜圖像恢復問題上取得了有益的進展。然而，如何提取高光譜圖像的內部結構并設計適合大規模高光譜圖像恢復問題的深度學習方法仍然是高光譜圖像處理領域的主要挑戰之一。

圖1：線性混合高光譜圖像模型

針對上述挑戰，論文提出了一種基于空間光譜先驗解耦深度的自監測高光譜成像方法（DS2DP）。 DS2DP方法的核心思想是基于基本的高光譜圖像線性混合模型（線性混合模型，如圖1所示），將高光譜圖像矩陣解耦分解為豐度矩陣.和光譜矩陣此外，利用U-Net網絡和全連接網絡，通過自我監測準確描述豐度矩陣之前的空間深度和光譜矩陣之前的光譜深度。 DS2DP 方法不僅表現出優越的恢復性能，而且具有重量輕、泛化性好的優點。大量的模擬和真實數據實驗表明，DS2DP 方法在視覺質量和定量評估指標方面優于當前最先進的方法。部分結果見如圖2。匿名審稿人對研究工作給予高度評價，稱“將DIP與LMM結合的想法是開創性的工作”。

圖2：混合噪聲下不同方法的恢復結果

此外，數學科學學院2018級本科生羅以思在IEEE Journal of Selected Topics in  Applied Earth Observations and Remote Sensing（JSTARS，SCI二區，影響因子3.8）上發表論文在遙感領域的SCI雜志。通過預空間光譜約束無監督深度圖像進行高光譜混合噪聲去除。”羅以思為論文的第一作者，趙錫樂教授為通訊作者。http://1262.cn /提出了一種基于規則空間光譜約束的自監督高光譜圖像恢復方法（S2DIP），并設計了一種交替方向乘法器方法來求解模型。S2DIP方法提高了恢復方法的性能。自監督高光譜成像并求解自監督高光譜圖像恢復方法的半收斂問題。大量的模擬和真實數據實驗表明，S2DIP方法在指標定量評價和視覺質量方面優于當前最先進的方法。一些結果見如圖3 匿名審稿人對inv的工作進行了評價研究作為“一個有趣的去噪框架”。

圖3：混合噪聲下不同方法的恢復結果

苗宇春和羅以思于2019年加入黃廷柱教授帶領的張量建模與計算團隊，在趙錫樂教授的指導下，開展基于數學方法和深度學習方法的高維圖像復原研究。團隊近年來在SIAM J. Sci. Comput.SIAM J. Imaging Sci.J. Sci. Comput.等高水平學術期刊和會議上發表文章。還有權威影像雜志IEEE Trans。起訴。圖像處理，IEEE Trans。控制論，IEEE Trans。地球科學。遙感，IEEE Trans。神經網絡。學習。系統。以及主要的CVPR 和AAAI 會議。團隊具有濃厚的科研教育氛圍。近年來，趙錫樂大師指導多所高校學生發表高水平學術期刊和會議文章，獲得第十五屆省挑戰杯二等獎（四川）。

[聲明]文章版權歸原作者所有，內容為作者個人觀點，本站只提供參考并不構成任何投資及應用建議，轉載目的在于傳遞更多信息，并不代表本站贊同其觀點和對其真實性負責。如涉及作品內容、版權和其它問題，請在30日內與本網聯系，我們將在第一時間刪除內容！