スペクトルおよび空間領域に跨る混合事前分布を用いた残差劣化学習アンフォールディングフレームワークによる圧縮スペクトル画像再構成

スナップショットスペクトル画像を取得するため、符号化開口スナップショットスペクトルイメージング（CASSI）が提案されている。CASSIシステムの核心的な課題は、2次元測定値から信頼性の高い高精度な3次元スペクトルキューブを復元することにある。深層アンフォールディング手法は、データ部分問題と事前情報部分問題を交互に解くことで優れた性能を達成している。しかし、データ部分問題において用いられるセンシング行列は、位相歪みや歪みなどのデバイス誤差によって生じる実際の劣化プロセスに適していないという問題がある。また、事前情報部分問題では、空間的およびスペクトル的事前知識を統合的に活用できる適切なモデルの設計が重要となる。本論文では、センシング行列と劣化プロセスのギャップを埋めるため、残差劣化学習アンフォールディングフレームワーク（RDLUF）を提案する。さらに、スペクトル方向と空間方向の事前知識を混合することで、スペクトル-空間表現能力を強化する「Mix$S^2$ Transformer」を設計した。最後に、Mix$S^2$ TransformerをRDLUFに組み込むことで、エンドツーエンドで学習可能なニューラルネットワークRDLUF-Mix$S^2$を構築した。実験結果により、提案手法が従来手法を上回る優れた性能を発揮することが確認された。