近日，中国电子科技大学数学科学学院2018级本科生zxdxg发表在《IEEE地球科学与遥感学报》(IEEE TGRS，SCI Zone 1，影响因子5.6)上的论文《利用非服务角d时空光谱深度优先的高光谱去噪》发表，zxdxg为第一作者，柠檬建模与计算团队的psdggx教授和俄勒冈州立大学的yjddy教授为通讯作者。
高光谱图像复原是数学与信息科学交叉研究中亟待解决的基础科学问题之一，其目标是从退化的观测图像中反演真实的高维图像。近年来，深度学习方法在高光谱图像恢复方面取得了可喜的进展。然而，如何挖掘高光谱图像的内部结构，设计适合大规模高光谱图像复原的深度学习方法，仍然是高光谱图像处理领域面临的主要挑战之一。
图1:高光谱图像的线性混合模型
针对上述挑战，提出了一种基于解耦空间-光谱深度先验的自监测高光谱图像方法。DS2DP方法的核心思想是基于高光谱图像的基本线性混合模型(如图1所示)，将高光谱图像矩阵解耦分解为丰度矩阵和光谱矩阵，然后通过自监测分别用U-Net网络和全连通网络精确描述丰度矩阵的空间深度先验和光谱矩阵的光谱深度先验。DS2DP方法不仅表现出优异的恢复性能，而且具有重量轻、通用性好的优点。在仿真和真实数据上的大量实验表明，DS2DP方法在视觉质量和量化评价指标上优于最先进的方法，部分结果如图2所示。匿名评论者高度评价这项研究工作，“与LMM合并dip的想法是一项创新工作”。
图2:混合噪声下不同方法的恢复结果
此外，数学科学学院2018级本科生dmht在SCI期刊《IEEE应用地球观测与遥感专题选刊》(JSTARS，SCI Zone 2，影响因子3.8)发表论文《通过空间-光谱约束的无服务深度图像优先去除高光谱混合噪声》。Dmht是论文的第一作者，psdggx教授是通讯记者。提出了一种基于空间谱正则化约束的自监测高光谱图像复原方法，并设计了交替方向乘子法求解模型。S2DIP方法提高了自监督高光谱图像恢复方法的性能，解决了自监督高光谱图像恢复方法的半收敛问题。在仿真和真实数据上的大量实验表明，S2DIP方法在视觉质量和量化评价指标上优于最先进的方法，部分结果如图3所示。匿名审稿人评价的研究工作是“一个有趣的去噪框架”。
图3:混合噪声下不同方法的恢复结果
2019年，zxdxg和dmht加入了由tmdwl教授领导的成功柠檬建模与计算团队，在psdggx教授的指导下，研究了基于数学方法和深度学习方法的高维图像复原问题。近年来，团队在美桃J. sci.compute、美桃J. imaging sci.j. sci.compute、图像处理权威期刊IEEE Trans等高水平学术期刊和会议上发表文章。图像处理。IEEE Trans。控制论。Geosci。远程传感器，IEEE传输。神经网络。学习。系统。以及CVPR和AAAI的顶级会议。近年来，psdggx指导多名来自不同学院的本科生发表高水平学术期刊和会议文章，获得四川省第十五届挑战杯二等奖。