最近、深層展開（deep unfolding）手法は、スナップショット圧縮撮影（Snapshot Compressive Imaging, SCI）再構成分野において顕著な成果を上げている。しかし、従来の手法はすべて単一の画像先験（image prior）に基づく反復フレームワークに従っており、これにより展開手法の効率が制限され、他の先験を簡便かつ効果的に導入することが難しいという課題があった。本研究では、このような枠組みを打破するため、複数の深層先験を効果的に統合できる「デュアル先験展開（Dual Prior Unfolding, DPU）」を提案する。本手法は、複数の深層先験の共同利用を実現し、反復処理の効率を大幅に向上させる。DPUは、二つの主要構成要素から構成される：「デュアル先験フレームワーク（Dual Prior Framework, DPF）」と「フォーカスドアテンション（Focused Attention, FA）」である。具体的には、従来の画像先験に加えて、DPFは反復式に残差（residual）を導入し、さまざまな画像劣化要因を考慮して残差に対する劣化先験（degraded prior）を構築することで、新たな展開フレームワークを確立している。また、自己アテンション（self-attention）に基づく先験の効果を高めるために、FAは主成分分析（PCA）ノイズ除去に着想を得た新しいメカニズムを採用し、アテンションのスケーリングとフィルタリングを実現。これにより、計算コストをほとんど増加させることなく、有効な特徴にアテンションを集中させることが可能となる。さらに、階層的自己アテンションの効率を向上させるために非対称なバックボーン構造を提案している。本手法の優位性は、顕著である。5段階のDPUは、従来手法と比較して、最少のFLOPs（浮動小数点演算量）とパラメータ数で最先端（SOTA）の性能を達成している。また、9段階のDPUは、他の展開手法と比較して著しく優れた性能を発揮しつつ、さらに低い計算リソース要件を満たしている。