LRDUN: Low-Rank Deep Unfolding Network による効率的なスペクトル圧縮撮像

arXiv:2511.18513v2 Announce Type: replace Abstract: Deep Unfolding Networks (DUN) は驚くべき成果を達し、スペクトル圧縮撮像 (SCI) 再構成のパラダイムの主流となりました。既存の DUN は、フル HSI 撮像モデルから派生しており、各段階が高次元の HSI に直接操作し、単一の 2D コードされた測定に基づき全データキューブを精錬しています。しかし、このパラダイムは計算上の冗長性を生み出し、2D 残差を HSI の 3D 空間に再映射する不特定性の問題を被ります。本稿では、スペクトル基底とサブ空間画像に対応する 2 つの新しい撮像モデルを提案します。これは、センシングモデルと明確に Low-Rank (LR) 分解を統合することによって実現されます。フル HSI を再構成するのではなく、これらのコンパクトな低次元コンポーネントを推定することは不特定性を著しく緩和します。これらの新しいモデルに基づき、Low-Rank Deep Unfolding Network (LRDUN) を開発しました。LRDUN は、未開示 Proximal Gradient Descent (PGD) フレームワーク内で 2 つのサブ問題を同時に解きます。さらに、データ忠実度の項における物理的なランクと、前処理モジュールにおける特徴の次元性を解耦する Generalized Feature Unfolding Mechanism (GFUM) を導入し、ネットワークの表現能力と柔軟性を向上させました。シミュレーションデータと実データの広範な実験により、提案された LRDUN が大幅に削減された計算コストで state-of-the-art (SOTA) の再構成品質を達成することが示されました。

arXiv:2511.18513v2 Announce Type: replace Abstract: Deep unfolding networks (DUNs) have achieved remarkable success and become the mainstream paradigm for spectral compressive imaging (SCI) reconstruction. Existing DUNs are derived from full-HSI imaging models, where each stage operates directly on the high-dimensional HSI, refining the entire data cube based on the single 2D coded measurement. However, this paradigm leads to computational redundancy and suffers from the ill-posed nature of mapping 2D residuals back to 3D space of HSI. In this paper, we propose two novel imaging models corresponding to the spectral basis and subspace image by explicitly integrating low-rank (LR) decomposition with the sensing model. Compared to recovering the full HSI, estimating these compact low-dimensional components significantly mitigates the ill-posedness. Building upon these novel models, we develop the Low-Rank Deep Unfolding Network (LRDUN), which jointly solves the two subproblems within an unfolded proximal gradient descent (PGD) framework. Furthermore, we introduce a Generalized Feature Unfolding Mechanism (GFUM) that decouples the physical rank in the data-fidelity term from the feature dimensionality in the prior module, enhancing the representational capacity and flexibility of the network. Extensive experiments on simulated and real datasets demonstrate that the proposed LRDUN achieves state-of-the-art (SOTA) reconstruction quality with significantly reduced computational cost.