祝贺！由西电人工智能学院石光明教授和董伟生教授及团队博士生黄涛撰写的学术论文在人工智能领域最具影响力的国际学术会议之一CVPR2021上发表！
日期：2021-08-31 23:20 点击量：
祝贺！由西电人工智能学院石光明教授和董伟生教授及其团队博士生黄涛撰写的学术论文在人工智能领域最具影响力的国际学术会议之一CVPR2021（IEEE Conf. on Computer Vision and Pattern Recognition）上发表！CVPR也是计算机视觉和模式识别领域的三大顶级学术会议之一。
这是一篇有关光谱计算重建的高质量论文！其原创思想由石光明教授和董伟生教授提出、与美国贝尔实验室Xin Yuan博士进行讨论后，指导博士研究生黄涛完成。代码已开源，欢迎大家下载！https://github.com/TaoHuang95/DGSMP
论文关键词：高斯尺度混合模型，CASSI系统，深度学习，空间-谱间相关性
论文研究背景及贡献点
祝贺！由西电人工智能学院石光明教授和董伟生教授及其团队博士生黄涛撰写的学术论文在人工智能领域最具影响力的国际学术会议之一CVPR2021（IEEE Conf. on Computer Vision and Pattern Recognition）上发表！CVPR也是计算机视觉和模式识别领域的三大顶级学术会议之一。
这是一篇有关光谱计算重建的高质量论文！其原创思想由石光明教授和董伟生教授提出、与美国贝尔实验室Xin Yuan博士进行讨论后，指导博士研究生黄涛完成。代码已开源，欢迎大家下载！https://github.com/TaoHuang95/DGSMP
论文关键词：高斯尺度混合模型，CASSI系统，深度学习，空间-谱间相关性
论文研究背景及贡献点
现有基于传统模型的光谱计算重建方法采用手工设计的先验来解决重建问题，但这些手工设计先验的表示能力较差，导致重建质量有限。基于深度学习方法直接学习了压缩图像和光谱图像之间的非线性映射关系，从而取得了比较好的效果。但是这些深度学习方法没有充分利用光谱图像的领域知识。同时，启发性设计一个功能强大的深度网络也困难重重。
论文创新与贡献点：在本文中，我们提出了一种新颖的基于最大后验（MAP）估计框架的光谱计算重建方法，采用可学习的高斯尺度混合（GSM）模型建模光谱图像。与现有使用手工设计尺度先验（例如，Jeffrey prior）的高斯尺度混合模型不同，我们使用深度卷积神经网络来学习尺度先验,也就是高斯尺度混合模型的方差。此外，我们还提出通过深度神经网络估计每个像素点高斯尺度混合模型的局部均值。最后，最大后验估计框架中的所有参数和深度神经网络中的所有参数通过端到端方式联合优化训练。与其他Unfolding方法只估计图像像素值不同，我们创新性地引入高斯尺度混合模型，并同时估计高斯尺度混合模型的均值和方差。贡献点总结如下：
1.提出一种新颖的光谱计算重建方法。
2.光谱计算重建问题被定义为一个最大后验估计问题，并且提出了采用高斯尺度混合（GSM）模型建模刻画光谱图像。
3.高斯尺度混合模型的均值和方差都由深度神经网络学习得到。
4.利用空间-谱间相关性来估计高斯尺度混合模型的局部均值。
实验验证及结论：通过在仿真数据集和真实数据集上的大量实验，表明所提出的方法优于现有的最先进的方法，能够恢复出更多的细节信息。
论文主要工作介绍如下：
研究方法
1.将光谱计算重建表征为最大后验估计问题，利用高斯尺度混合(GSM)模型对光谱图像进行建模。数学表示为：
2.求解得到 x 的优化迭代公式：
3.根据迭代公式设计整体网络结构。本文提出的光谱图像重建网络结构，如图2.(a)。学习测量矩阵A和转置矩阵的模块如图2.(b)以及图2.(c)所示。本文采用一个由五个编码块和四个解码块组成的轻量级的U-Net和一个方差生成器(如图2.(d))估计高斯尺度混合模型的方差。采用同样的U-Net和滤波器生成器(如图2.(e))估计高斯尺度混合模型的局部均值。
实验结果展示：
为了验证所提出的光谱计算重建方法的有效性，我们在仿真场景和真实场景下做了大量实验验证。
相应实验结果的如下，从实验中可以看出，本文提出的基于深度高斯尺度混合先验的光谱压缩成像的效果优于其他同类算法。
论文及项目主页：https://see.xidian.edu.cn/faculty/wsdong/Projects/DGSM-SCI.htm
代码链接：https://github.com/TaoHuang95/DGSMP
这是一篇有关光谱计算重建的高质量论文！其原创思想由石光明教授和董伟生教授提出、与美国贝尔实验室Xin Yuan博士进行讨论后，指导博士研究生黄涛完成。代码已开源，欢迎大家下载！https://github.com/TaoHuang95/DGSMP
论文关键词：高斯尺度混合模型，CASSI系统，深度学习，空间-谱间相关性
论文研究背景及贡献点
祝贺！由西电人工智能学院石光明教授和董伟生教授及其团队博士生黄涛撰写的学术论文在人工智能领域最具影响力的国际学术会议之一CVPR2021（IEEE Conf. on Computer Vision and Pattern Recognition）上发表！CVPR也是计算机视觉和模式识别领域的三大顶级学术会议之一。
这是一篇有关光谱计算重建的高质量论文！其原创思想由石光明教授和董伟生教授提出、与美国贝尔实验室Xin Yuan博士进行讨论后，指导博士研究生黄涛完成。代码已开源，欢迎大家下载！https://github.com/TaoHuang95/DGSMP
论文关键词：高斯尺度混合模型，CASSI系统，深度学习，空间-谱间相关性
论文研究背景及贡献点
现有基于传统模型的光谱计算重建方法采用手工设计的先验来解决重建问题，但这些手工设计先验的表示能力较差，导致重建质量有限。基于深度学习方法直接学习了压缩图像和光谱图像之间的非线性映射关系，从而取得了比较好的效果。但是这些深度学习方法没有充分利用光谱图像的领域知识。同时，启发性设计一个功能强大的深度网络也困难重重。
论文创新与贡献点：在本文中，我们提出了一种新颖的基于最大后验（MAP）估计框架的光谱计算重建方法，采用可学习的高斯尺度混合（GSM）模型建模光谱图像。与现有使用手工设计尺度先验（例如，Jeffrey prior）的高斯尺度混合模型不同，我们使用深度卷积神经网络来学习尺度先验,也就是高斯尺度混合模型的方差。此外，我们还提出通过深度神经网络估计每个像素点高斯尺度混合模型的局部均值。最后，最大后验估计框架中的所有参数和深度神经网络中的所有参数通过端到端方式联合优化训练。与其他Unfolding方法只估计图像像素值不同，我们创新性地引入高斯尺度混合模型，并同时估计高斯尺度混合模型的均值和方差。贡献点总结如下：
1.提出一种新颖的光谱计算重建方法。
2.光谱计算重建问题被定义为一个最大后验估计问题，并且提出了采用高斯尺度混合（GSM）模型建模刻画光谱图像。
3.高斯尺度混合模型的均值和方差都由深度神经网络学习得到。
4.利用空间-谱间相关性来估计高斯尺度混合模型的局部均值。
实验验证及结论：通过在仿真数据集和真实数据集上的大量实验，表明所提出的方法优于现有的最先进的方法，能够恢复出更多的细节信息。
论文主要工作介绍如下：
研究方法
1.将光谱计算重建表征为最大后验估计问题，利用高斯尺度混合(GSM)模型对光谱图像进行建模。数学表示为：
2.求解得到 x 的优化迭代公式：
3.根据迭代公式设计整体网络结构。本文提出的光谱图像重建网络结构，如图2.(a)。学习测量矩阵A和转置矩阵的模块如图2.(b)以及图2.(c)所示。本文采用一个由五个编码块和四个解码块组成的轻量级的U-Net和一个方差生成器(如图2.(d))估计高斯尺度混合模型的方差。采用同样的U-Net和滤波器生成器(如图2.(e))估计高斯尺度混合模型的局部均值。
图 2. 整体网络结构图
实验结果展示：
为了验证所提出的光谱计算重建方法的有效性，我们在仿真场景和真实场景下做了大量实验验证。
相应实验结果的如下，从实验中可以看出，本文提出的基于深度高斯尺度混合先验的光谱压缩成像的效果优于其他同类算法。
表1 .10个仿真场景中测试方法的PSNR（左）和SSIM（右）
图 3. 两个仿真场景多种方法的视觉对比
图 4. 两个真实场景多种方法的视觉对比
论文及项目主页：https://see.xidian.edu.cn/faculty/wsdong/Projects/DGSM-SCI.htm
代码链接：https://github.com/TaoHuang95/DGSMP
