Abstract

正则化是稳健地解决病态优化问题的基本技术，是高光谱压缩图像重构的关键。

传统的正则化方法采用了多种手工制作的先验算法，但往往无法处理光谱种类繁多的自然高光谱图像，导致重建质量较差。

此外，先验正则化优化需要人工调整其权重参数，以达到结果图像的空间保真度和光谱保真度之间的平衡。

这篇文章提出了一种新的高光谱图像重建算法，以基于优化网络的数据驱动先验代替传统的手工先验。

该方法包括两个主要部分:

• 首先，其学习了一个新的数据驱动的先验，以提高空间光谱保真度为目标的优化问题。数据驱动先验学习的局部相干性和动态特征的自然高光谱图像。
• 其次，将正则化器与一个基于优化的网络相结合，以克服传统迭代优化方法的计算量大的问题。

通过端到端训练学习网络中的完整参数，使网络具有较高的鲁棒性能和精度。

Conclusion

这篇文章提出了一种新的高光谱图像重建方法，该方法优于现有的先进方法。

该方法有两个关键步骤，

• 学习一个新的数据驱动的先验来正则化优化问题以发掘 spatial-spectral 相关性
• 在优化启发网络上结合正则化实现端到端训练。

该重构方法也减少了计算量。作者还建立了一个原型系统来验证所提方法的有效性。

未来的研究方向是将该方法扩展到其他高光谱图像处理问题，如高光谱插值和去马赛克。

另一个方向是进一步加速该方法实现实时重建，从而能够获得视频帧率下的高光谱图像。