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 Transformer 的深入展开高光谱图像去噪方法 —— 降噪 - 噪声感知展开网络 (DNA-Net), 其使用 U-Shaped Local-Non-local-Spectral Transformer (U-LNSA) 捕获了光谱相关性、局部内容和非局部依赖性。实验结果表明，DNA-Net 优于目前最先进的方法，并且噪声分布的建模对于噪声严重的情况有所帮助。

May, 2023

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

本文提出了一种基于预训练扩散模型的无监督高光谱图像恢复框架（HIR-Diff），通过两个低秩分量（即降维图像和系数矩阵）的乘积来还原清晰的高光谱图像。实验证明，该方法在高光谱图像恢复任务中具有卓越的性能和速度优势。

Feb, 2024

本文介绍了一种新的深度学习方法，利用基于完整的变分贝叶斯学习方法来处理高光谱图像重建中硬件失调的问题，通过感知无序网络（GST）来处理不同硬件情况下的信号不确定性和现实硬件的靶掩模分解。实验证明此方法表现比其他方法更好。

Dec, 2021

该论文介绍了一个用于高光谱图像去噪的空间 - 光谱循环变换 U-Net (SSRT-UNet)。该方法利用全局光谱相关性和非局部空间自相似性的领域知识，通过整合这两种知识成分，并在一个 SSRT 块中对其进行处理，实现了 NSS 和 GSC 的联合利用，从而在高光谱图像去噪方面取得了优于其他方法的效果。

Dec, 2023

我们提出了一种基于 Hyperspectral Conditional Generative Adversarial Network 方法的高光谱解混框架，通过生成器和鉴别器的组合，将混合高光谱像素块转换为中心像素对应的成分丰度，并利用 HSI Patch Transformer 这一主要组件捕捉了高光谱像素块内部的像素相关性

Dec, 2023

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

使用生成模型、潜在扩散模型和基于回归的深展开方法，提出了一种轻量级模型来生成导向重建过程，以改善快照压缩光谱成像重建的质量和计算效率。

Nov, 2023

融合基于高光谱图像（HSI）的超分辨率通过融合低空间分辨率的 HSI 和高空间分辨率的多光谱图像来产生高空间分辨率的 HSI。本文提出了一种新颖的基于光谱扩散的先验方法来实现 HSI 超分辨率。在最大后验概率的框架下，通过反向生成过程保留每两个相邻状态之间的转移信息，并将训练好的光谱扩散模型的知识嵌入到融合问题中作为正则化项。最后，将最终优化问题的每个生成步骤视为其子问题，并使用 Adam 算法以反向顺序解决这些子问题。在合成和真实数据集上进行的实验结果证明了所提方法的有效性。所提方法的代码将在此 https 网址上提供。

Nov, 2023