空频联合光谱去马赛克网络

轻量级高效重建

联合学习空间相关性与频域特征，在轻量级架构下实现高精度光谱图像重建。

Wu, Fangfang · Tao, Huang · Junwei, Xu · 曹汛 · 董伟生 · Dong, Le · 石光明

IEEE Transactions on Image Processing 2025

技术优势

参数量显著减少

通过轻量级网络设计，模型参数量和计算复杂度较现有学习方法明显降低，易于部署。

重建精度更高

联合学习空间相关性和频域特性，在模拟和真实数据上均明显优于现有方法。

初始化无需参数

基于傅里叶变换的光谱图像初始化策略无需学习参数，为后续重建提供更好的起点。

应用场景

• 光谱成像：无需专用硬件即可从MSFA采样图像快速恢复完整光谱信息。
• 图像重建：利用空频联合学习提升图像重建质量，同时降低计算开销。
• 遥感图像处理：轻量级模型适合星载平台，可实时处理遥感光谱数据。
• 视觉感知：高精度光谱重建有助于提升目标识别和场景理解等任务。