本文提出多种新方法以提高快照压缩成像（SCI）和高光谱成像的重建质量，结合了深度学习、生成模型和状态空间模型等技术。这些方法在计算效率和重建性能上优于现有技术，显示出显著改进。

本文探讨了快照压缩成像(SCI)的重建质量提升方法，提出了一种结合非局部自相似性和秩极小化的交替最小化算法，研究表明该算法在重建质量上显著优于现有技术。此外，开发了PnP-GAP和EfficientSCI等高效算法，以解决计算复杂性和内存限制问题，实验结果显示其性能优越。

本文提出了一种结合DIP的自监督网络框架，解决快照压缩成像中的光谱重建问题，实验证明该算法在缺乏大量模拟数据的情况下表现优异。同时介绍了Spectral Inference Networks框架，通过随机优化学习线性算子的特征函数，展示其在无监督表示学习中的应用。研究表明，神经积分方程模型通过谱方法降低计算成本并提高精度，具有良好的模型逼近能力和收敛性。

本文介绍了一种结合DIP的插入式自监督网络框架，用于解决快照压缩成像的光谱重建问题。该算法可以在不使用大量模拟数据的情况下取得与基于训练的网络相媲美的性能，并可与预训练的深度去噪先验结合以获得最先进的结果。