摘要
编码孔径快照式光谱成像（Coded Aperture Snapshot Spectral Imaging, CASSI）是一种高效捕捉真实世界三维高光谱图像的工具。尽管已有大量研究聚焦于硬件设计与算法优化，本文进一步迈向低成本、具备视频级速率与高质量重建能力的解决方案。为在这一极具挑战性 yet 研究尚不充分的任务上取得实质性进展，我们复现了一个稳定的单色散器（Single Disperser, SD）CASSI系统，用于采集大规模真实世界CASSI数据，并提出一种新型深度卷积网络，通过引入自注意力机制实现实时重建。为同时捕捉高光谱图像中不同维度间的自注意力特性（即通道间的光谱相关性与非局部空间区域之间的关联），我们提出一种空间-光谱自注意力机制（Spatial-Spectral Self-Attention, TSA），该机制按顺序处理各维度，但保持对处理顺序的无关性。我们将TSA模块嵌入编码器-解码器网络结构中，构建出名为TSA-Net的模型，用于重建所需的三维光谱立方体。此外，我们系统研究了噪声对重建结果的影响，并提出在模型训练过程中引入散粒噪声（shot noise），显著提升了模型在真实数据上的表现。我们期望所构建的大规模CASSI数据集能成为未来研究的基准数据集，而所提出的TSA-Net模型可作为基于深度学习的重建算法中的基准模型。