高光谱计算成像论文阅读-High-Quality Hyperspectral Reconstruction Using a Spectral Prior

原文：High-Quality Hyperspectral Reconstruction Using a Spectral Prior
作者：Inchang Choi, Daniel S. Jeon, and Giljoo Nam
单位：Universidad de Zaragoza

---

– Abstract：
本文提出了一种高光谱重构成像的方法，以缓解基于压缩感知成像技术的光谱分辨率和空间分辨率的相互制约问题。所提出的方法包括两步：1）构建了一个卷积自动编码器（convolutional autoencoder）来学习non-linear的光谱表征；2）构建了一个稀疏（sparsity）和空间梯度（spatial gradients）联合约束的优化问题。我们的方法在光谱成像、光谱插值和去马赛克等任务上均表现出较好的结果。此外，我们还发布了一个新的高光谱数据集。

– Introduction
高光谱图像具有丰富的光谱信息，在许多领域具有重要作用。早期的成像技术，例如推扫式和滤光式均存在缺点，例如空间和光谱分辨率相互制约。基于压缩感知的成像技术可缓解该问题，受到了研究人员的广泛关注，然而目前的重构算法所需时间比较长。

本文提出的算法可很好地解决以上的问题。算法主要包括了两部分：（1）通过卷积自动编码器学习non-linear的光谱信息表征；（2）构建了一个稀疏（sparsity）和空间梯度（spatial gradients）联合约束的优化问题。

– Hyperspectral Image Reconstruction
算法整体流程如下：

自动编码器网络结构如下：

构建重构优化问题：
将测量信号 $i=\Phi h$ 替换为自动编码器的输出（$i=\Phi D(\alpha )$）。因此，将原始问题转换为：
$${\mathrm{m}\mathrm{i}\mathrm{n}\mathrm{i}\mathrm{m}\mathrm{i}\mathrm{z}\mathrm{e}}_{\alpha }||i-\Phi D(\alpha )|{|}_2^2+{\lambda }_1||\alpha -E(D(\alpha ))|{|}_2^2+{\lambda }_2||{\nabla }_{xy}D(\alpha )|{|}_1,$$其中E为自动编码器的encoder，D为decoder。

优化过程：
因为第二个约束项（$||{\nabla }_{xy}D(\alpha )|{|}_1$）不可求导，我们将上述问题拆解成两个子问题：
$${\alpha }^{k+1}={\mathrm{a}\mathrm{r}\mathrm{g}\mathrm{m}\mathrm{i}\mathrm{n}}_{\alpha }||i-\Phi D(\alpha )|{|}_2^2+{\lambda }_1||\alpha -E(D(\alpha ))|{|}_2^2,$$ $$z=a^{k+1}={\mathrm{a}\mathrm{r}\mathrm{g}\mathrm{m}\mathrm{i}\mathrm{n}}_z{\lambda }_2||z|{|}_1,$$因此，我们可以将优化问题构建为：
$${\mathrm{m}\mathrm{i}\mathrm{n}\mathrm{i}\mathrm{m}\mathrm{i}\mathrm{z}\mathrm{e}}_{\alpha }||i-\Phi D(\alpha )|{|}_2^2+{\lambda }_1||\alpha -E(D(\alpha ))|{|}_2^2+{\lambda }_2||z|{|}_1,$$ $$\mathrm{s}\mathrm{u}\mathrm{b}\mathrm{j}\mathrm{e}\mathrm{c}\mathrm{t}\mathrm{t}\mathrm{o}{\nabla }_{xy}D(\alpha )=z.$$
在ADMM算法框架下，可以迭代求解。