CASSI论文学习（六）——Self-supervised Neural Networks for Spectral Snapshot Compressive Imaging

原文：ICCV 2021 Open Access Repository+++

代码：GitHub - mengziyi64/CASSI-Self-Supervised

主要工作：

开发了一个将DIP（ deep image priors）应用到PnP( plug-and-play)中的框架，即一个用于解决光谱SCI重建的自监督网络。并且将其与经过预训练的深度去噪先验结合，实验证明联合重建的效果好。

相关工作：

传统基于优化的算法：迭代速度慢，质量低，且手工先验（基于稀疏、低秩以及TV等）不适用于所有数据。

基于深度学习算法：对于有监督算法来说，虽然重建效果好，但是存在如下几个缺点：1、网络的泛化能力受限。因为存在的训练数据有限，比如高光谱训练数据中有些光谱不存在，导致无法很好地重建数据立方体。2、受限于特定的系统，因为在不同的系统中存在不同数量的光谱通道。此外，由于掩模(调制模式)的不同设计，训练好的cnn不能用于其他系统。而从头开始重新训练一个新的网络需要很长时间。

未经训练的神经网络直接从原始测量中学习先验直接应用于SCI重建，重建效果差。

方法：

SCI优化模型：

 DIP解决问题：，期望的重建

其中Θ是要学习的网络参数，e是随机向量

DIP+R(x)(两先验联合重建光谱数据立方体)：

如果直接引入辅助变量和平衡参数去将上述式子化为无约束优化，会导致该优化过程仅仅使用了DIP进行优化，导致接近测量y。(如)

 因此，为避免上述问题，最小化优化算法如下：

由增广拉格朗日函数得，

此式子可以转为以下三个子问题的迭代求解：

• Θ（给定x和b）：

两部分损失函数：第一项使接近x（最小化测量损失），第二项使接近x-b（去噪）。

•  x:    

 由ADMM算法解x问题得，

 由增广拉格朗日函数得，

 此问题又可以转化为三个子问题:

1、

 此式子为二次型可以求偏导后根据matrix inversion lemma (Woodbury matrix identity) ，求得，

 2、

 该问题可以转化为去噪问题

 3、

•  b：

完整算法表：