与传统的高光谱成像仪相比，快照式高光谱成像仪通过一次曝光就能获取目标的图像光谱立方体，无需像凝视型、摆扫型或推扫型成像仪那样进行多次扫描，从而大大提高了成像速度。此外，由于瞬时成像，快照式高光谱图像可以很大程度上避免运动伪影，并适用于需要实时监控的场景。然而，由于高光谱成像仪设计时空谱分辨率是相互制约的，获取的快照式高光谱图像空间分辨率较低、图像马赛克现象明显，难以满足后续解译任务的需求。因此，针对快照式高光谱图像设计去马赛克算法迫在眉睫。

针对上述问题，实验室设计了一种新的去马赛克去噪网络，具体算法框架图如图1所示，所提方法融合了初步去马赛克与监督去噪两大核心环节，旨在构建一个高效、鲁棒的处理流程。初步去马赛克部分，通过残差Swin Transformer的多头自注意力机制和局部感知窗口，捕捉图像中不同波段间的复杂关联和细微差异，精准地恢复高光谱图像中因马赛克效应而丢失的细节信息。此外，通过全局光谱注意力模块建立像素之间的远距离依赖关系，助力模型捕获特征图中的全局信息，学习不同通道之间的相关性，并减少去马赛克过程中可能出现的光谱失真。最后，引入了残差连接机制，以帮助模型更好地保留原始快照式高光谱图像中的关键结构和纹理信息。监督去噪部分，通过设计的监督去噪模块，对初步去马赛克后图像的高频成分进行多阶段监督去噪，监督去噪模块使模型能够专注于输入的关键部分，从而抑制噪声，确保去除重建图像中周期条带现象，降低光谱失真同时增强微弱目标特征。设计的去马赛克去噪算法极大地提升了快照式高光谱图像的信息丰富度与实用性，本技术可潜在用于高光谱视频成像对空中低慢小目标识别、目标监测、实时跟踪等应用场景.

该方法是由北京理工大学信息与电子学院博士生熊璋玺、王瀚正，李伟教授，北京航空航天大学人工智能研究院张宝昌教授，以及密西西比州立大学J. E. Fowler教授共同合作完成。论文成果《A Multi-Stage Progressive Network for Hyperspectral Image Demosaicing and Denoising》被接收于电气和电子工程师协会计算成像汇刊 [IEEE Transactions on Computational Imaging, 2024, DOI: 10.1109/TCI.2024.3515844] (影响因子IF: 4.2)

图1 论文中所提出的去马赛克去噪框架图

图2 本方法与对比方法去马赛克去噪实验结果对比图