摘要
近年来，深度展开（deep unfolding）方法在快照压缩感知（Snapshot Compressive Imaging, SCI）重建领域取得了显著进展。然而，现有方法均遵循单一图像先验的迭代框架，这不仅限制了展开方法的迭代效率，也使得引入其他先验变得难以实现且效果不佳。为突破这一局限，本文提出一种高效的双先验展开方法（Dual Prior Unfolding, DPU），实现了多种深度先验的联合利用，显著提升了迭代效率。本方法由两部分构成：双先验框架（Dual Prior Framework, DPF）与聚焦注意力机制（Focused Attention, FA）。具体而言，除了传统的图像先验外，DPF在迭代公式中引入残差项，并通过考虑多种退化类型构建残差的退化先验，从而建立全新的展开框架。为进一步提升基于自注意力机制的图像先验的有效性，FA提出一种受主成分分析（PCA）去噪启发的新颖机制，通过缩放与滤波注意力权重，使注意力更聚焦于有效特征，且计算开销极低。此外，本文还设计了一种非对称骨干网络结构，进一步优化了层次化自注意力机制的计算效率。令人瞩目的是，我们提出的五阶段DPU在性能上达到当前最优（SOTA），同时所需浮点运算量（FLOPs）和参数量均最少；而九阶段DPU在显著降低计算需求的前提下，性能远超现有其他展开方法，展现出卓越的效率与重建能力。