【CVPR2022】HerosNet:用于快照压缩成像的高光谱可解释重建和最佳采样深度网络

光谱压缩感知被广泛地应用在成像系统上，其目的是利用二维传感器来捕捉三维的高光谱信号，进而取得低带宽、高计算通量的优势。成像系统通过硬件编码器压缩二维信号，随后运用重建算法实现高维信号的复原。然而，现有的方法均存在一定的局限性，如基于模型的方法迭代时间较长，实时性差；基于网络的方法又缺乏一定的可解释性。论文“HerosNet: Hyperspectral Explicable Reconstruction and Optimal Sampling Deep Network for Snapshot Compressive Imaging”研究的内容是可解释深度神经网络在光谱压缩感知上的应用。课题组的研究表明，基于深度展开的方法能够很好地利用两种方法的优势，并有效解决现有深度展开方法中缺乏跨阶段特征交互和自适应参数调整的问题。该研究结果所设计的深度展开网络受优化方法中的近邻映射启发，网络结构如图2所示，能够联合实现掩膜优化和高光谱重建。该网络通过引入动态梯度下降模块来模拟采样矩阵，自适应地更新迭代步长；该网络通过层级特征交互模块，融合之前阶段的特征用以重建当前阶段的图像。论文通讯作者为张健助理教授，信息工程学院为第一作者单位，张轩宇同学为第一作者，合作者还包括香港中文大学孙启霖助理教授、哈尔滨工业大学（深圳）张永兵教授和北京大学熊瑞勤教授。

https://www.zhuanzhi.ai/paper/f16a42fc2e4f606daf113847b63deec6

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“HENT” 就可以获取《【CVPR2022】HerosNet:用于快照压缩成像的高光谱可解释重建和最佳采样深度网络》专知下载链接

专知，专业可信的人工智能知识分发 ，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取70000+AI(AI与军事、医药、公安等)主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取70000+AI主题知识资料