本文提出 Mask-guided Spectral-wise Transformer (MST) 框架，通过 Spectral-wise Multi-head Self-Attention 和 Mask-guided Mechanism 的组合，可以有效解决 CNN-based 方法捕捉波谱相似性以及长距离依赖性上的局限性，而且能够充分利用 CASSI 系统中物理屏的信息对高保真度的 HSI 重建有提升作用。

Nov, 2021

本文提出了一种新颖的基于深度学习和高斯混合先验的 Maximum a Posteriori (MAP) 估计框架的高光谱成像重建方法，该方法通过深度卷积神经网络 (DCNN) 学习尺度先验和局部均值参数，在合成和真实数据集上均取得了超过现有前沿方法的最佳结果。

Mar, 2021

该论文提出了一种基于 Transformer 的 CST 方法，首次将 HSI 稀疏性嵌入到深度学习中进行重建，使用 SA-MSA 进行粗细层次的像素聚类和自相似性捕捉，相比于现有方法具有更高的重建性能和更低的计算成本。

Mar, 2022

通过引入连续光谱增益过程，以及借鉴隐式神经表示的概念，该研究提出了一种名为 Spectral-wise Implicit Neural Representation (SINR) 的创新方法，用于高光谱图像的重建，实现可定制的光谱超分辨率和全局光谱依赖关系捕捉。实验证明，该方法优于基准方法，并将隐式神经表示引入到 Coded Aperture Snapshot Spectral Imaging（CASSI）领域。

Dec, 2023

本文提出一个基于 Transformer 网络的 HSI 重建方法，称作 DAUHST。该方法使用 DAUF 框架估算压缩图像和物理掩模的参数，并使用这些参数来控制每一次迭代。同时，自定义的半洗牌 Transformer（HST）可以同时捕获局部内容和非局部依赖性，实验证明 DAUHST 明显优于其他最先进的方法，并具有较低的计算和存储成本。

May, 2022

我们提出了一种通用的知识嵌入对比学习框架（KnowCL），用于监督、无监督和半监督的高光谱图像分类，该框架基于一套新的高光谱图像处理流程，结合了多种数据转换和增强技术，提供了多样化的数据表示和现实数据分区，同时采用了一种新的损失函数，可以自适应地融合有监督损失和无监督损失，提高了学习性能。

Apr, 2024

本文中，我们提出了一种新颖的深度网络 HerosNet，它基于 ISTA 展开框架，包括几个阶段。每个阶段可以灵活模拟感知矩阵和上下文调整梯度下降步长，并分层融合和交互先前阶段的隐藏状态，以有效地恢复当前 HSI 帧。同时，端到端地学习硬件友好的最优二进制掩码，进一步提高重建性能。最后，它被证明在模拟和真实数据集上都优于现有技术。

Dec, 2021

我们提出了一种适用于高光谱图像重建的像素自适应深度展开变换 (PADUT)，通过引入非局部光谱变换 (NST) 强调了 HSI 的 3D 特征，并通过快速傅里叶变换 (FFT) 改进了阶段交互。实验结果表明我们的方法相较于最先进的 HSI 重建方法具有卓越的性能。

Aug, 2023

应用深度学习模型来矫正与解混合光谱，以提高荧光引导的神经外科中的高光谱成像 (HSI) 技术，结果表明深度学习模型能够更准确地估算荧光素 (PpIX) 的浓度，进一步改善脑肿瘤切除手术的效果。

Feb, 2024

利用深度学习进行高光谱图像重建，以实现农产品质量评估的成本效益和高效工具。

May, 2024