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

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

通过使用基于 Transformer 的多阶段光谱智能变换器（MST++）及其包含的光谱注意块，该论文提出了一种新方法实现了显着优于其他最先进方法的重建结果，尤其适用于光谱重建挑战。

Apr, 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

RND-SCI是一种新颖的压缩高光谱图像(HSI)重建框架，通过将重建对象分解为范围空间和零空间组成部分来提高HIS重建的质量，并且可以用于各种HSI重建网络中，同时设计了一种非常快速的HSI重建网络，RND-SAUNet，将帧率提高到91帧/秒，并保持优秀的重建准确性。

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

本论文提出了一种基于空间-谱选择性状态空间模型的U型网络（称为SSUMamba），用于高光谱图像去噪，能够在状态空间模型计算中实现完全的全局空间-谱相关性，通过引入交替扫描策略（SSAS）对多方向3D高光谱图像进行信息流建模。实验证明，我们的方法优于其他方法。

May, 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

本研究针对当前瞬时压缩成像技术在高频细节重建和模型泛化能力方面的不足，提出了一种新颖的自我监督适应框架中的一步扩散概率模型。实验结果表明，该模型在生成多光谱图像的重建上比现有方法更为优越，具有更高的简便性和适应性。

Sep, 2024