通过利用所需信号的高维结构来提高快照压缩成像(Snapshot compressive imaging, SCI)的重建质量，本文通过构建联合模型将视频/高光谱帧的非局部自相似性和秩极小化方法与SCI传感过程相结合，提出交替最小化算法来解决这个非凸问题，并在SCI的采样过程中进行特殊结构的研究，以解决SCI重建中的计算和内存问题。仿真和实测结果均表明，与目前最先进的算法相比，我们提出的算法可以显著地提高重建质量。

Jul, 2018

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

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

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

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

本文提出了一种基于可逆先验的新框架，称为SST-ReversibleNet，它采用迭代能力优化了光谱图像重建的准确性，并在全局相关性上均衡了计算复杂性。在模拟和实际数据集上，该框架明显优于现有方法，并且需要更低的计算和存储成本。

May, 2023

本文提出了一种适用于资源有限的移动设备的高效HSI修复方法——二值化光谱重分布网络（BiSRNet），其通过将基础模型二值化并使用可缩放的双曲正切函数来逼近符号函数的方式来重新分配HSI表现，并使用四个二值卷积模块来解决尺寸不匹配问题，证明了其优于现有的二值化方法，且与全精度算法达到相当的性能水平。

May, 2023

该研究以超光谱成像为背景，探讨了用于对大量数据进行压缩的压缩感知技术，在压缩图像恢复方面，通过对凸FISTA/ADMM和贪婪gOMP/BIHT/CoSaMP恢复算法的准确性和性能进行比较研究，发现gOMP算法在恢复压缩数据时具有较高的准确性和快速恢复，但相对于其他算法而言，对待恢复数据的稀疏性水平的依赖较高。

Jan, 2024

提出了一种新颖的双重高光谱Mamba (DHM) 方法，通过探索全局远程依赖和局部环境，实现高效的HSI重建。

Jun, 2024

本研究针对现有快照压缩成像方法在长程依赖建模和高计算成本方面的局限，提出了一种新的状态空间模型ASLE-SSM。该模型通过引入局部扫描和平衡的全球与局部上下文编码，显著提升了超光谱图像重建的效率和效果，计算速度比现有技术快2.4倍且参数更少，显示出显著的性能提升。

Aug, 2024