瞬时压缩成像的高效一步扩散精细化

通过构建联合模型，结合非局部自相似性和秩极小化方法，提高快照压缩成像(SCI)的重建质量。

提出基于深度学习和高斯混合先验的MAP估计框架，取得高光谱成像重建的最佳结果。

结合DIP的自监督网络框架，解决快照压缩成像的光谱重建问题，性能与训练网络相媲美。

基于Transformer的CST方法将HSI稀疏性嵌入深度学习中，提升重建性能和降低计算成本。

提出DAUHST方法，使用自定义的半洗牌Transformer捕获局部内容和非局部依赖性，显著优于其他方法。

开发二值化光谱重分布网络（BiSRNet），在资源有限的移动设备上实现高效HSI修复。

提出DiffSCI新型结构化零射扩散模型，结合传统SCI技术和图像生成模型，提高多光谱图像重建精度。

使用生成模型和潜在扩散模型，提出Spectral-wise Implicit Neural Representation (SINR)方法，改善高光谱图像重建质量。

提出状态空间模型ASLE-SSM，显著提升超光谱图像重建效率和效果，计算速度比现有技术快2.4倍。