Um ein Snapshot-Spektrenbild zu erzielen, wird die codierte Apertur-Snapshot-Spektrenbildgebung (CASSI) vorgeschlagen. Ein zentrales Problem des CASSI-Systems besteht darin, den zuverlässigen und fein aufgelösten dreidimensionalen Spektralkubus aus der zweidimensionalen Messung wiederherzustellen. Deep-Unfolding-Methoden erreichen durch alternierendes Lösen eines Datenteilproblems und eines Prior-Teilproblems eine gute Leistung. Allerdings ist die verwendete Messmatrix im Datenteilproblem aufgrund von Gerätefehlern infolge Phasenaberrationen und Verzerrungen ungeeignet für den tatsächlichen Degradationsprozess; im Prior-Teilproblem ist es entscheidend, ein geeignetes Modell zu entwerfen, das sowohl räumliche als auch spektrale Priorinformationen gemeinsam ausnutzt. In diesem Artikel stellen wir einen Residual-Degradations-Lern-Entfaltung-Framework (RDLUF) vor, der die Lücke zwischen der Messmatrix und dem Degradationsprozess schließt. Darüber hinaus wird ein Mix$S^2$S2-Transformer entworfen, der Priorinformationen über Spektral- und Raumdimensionen mischt, um die Fähigkeit zur Darstellung von spektral-räumlichen Zusammenhängen zu stärken. Schließlich führt die Integration des Mix$S^2$S2-Transformers in den RDLUF zu einem end-to-end trainierbaren neuronalen Netzwerk namens RDLUF-Mix$S^2$S2. Experimentelle Ergebnisse belegen die überlegene Leistung des vorgeschlagenen Ansatzes gegenüber bestehenden Methoden.