近日，电子科技大学数学科学学院2018级本科生苗雨春在遥感领域国际权威期刊IEEE Transactionson Geoscience and Remote Sensing（IEEE TGRS, SCI一区, 影响因子5.6）发表论文“Hyperspectral Denoising Using Unsupervised Disentangled Spatiospectral Deep Priors”，苗雨春为论文第一作者，张量建模与计算团队赵熙乐教授和俄勒冈州立大学傅晓助理教授为通讯作者。

　　高光谱图像复原问题旨在从退化的观测图像反演真实的高维图像，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。近年来，深度学习方法在高光谱图像复原问题中取得了可喜的进展。然而，如何挖掘高光谱图像的内在结构设计适用于大规模高光谱图像复原问题的深度学习方法仍然是高光谱图像处理领域的主要挑战之一。

图1：高光谱图像的线性混合模型

　　针对上述挑战，该论文提出了基于解耦空间-光谱深度先验的自监督高光谱图像方法（DS2DP）。DS2DP方法的核心思想是，基于基本的高光谱图像线性混合模型（Linear Mixture Model，如图1所示），高光谱图像矩阵可以解耦分解为丰度矩阵和光谱矩阵，进一步通过自监督的方式分别用U-Net网络和全连接网络精准地刻画丰度矩阵的空间深度先验和光谱矩阵的光谱深度先验。DS2DP方法不仅展现了优越复原性能而且具有轻量化、泛化性良好等优点。在仿真和真实数据上的广泛实验表明DS2DP方法在视觉质量和定量评价指标等方面均优于当前最先进方法，部分结果如图2所示。匿名审稿人高度评价研究工作为“The idea of incorporating DIP with LMM is an innovation work”。

图2：不同方法在混合噪声下的复原结果

　　此外，数学科学学院2018级本科生罗倚斯在遥感领域SCI期刊IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing（JSTARS, SCI二区, 影响因子 3.8）发表论文“Hyperspectral Mixed Noise Removal Via Spatial-Spectral Constrained Unsupervised Deep Image Prior”。罗倚斯为论文第一作者，赵熙乐教授为通讯作者。该论文提出了基于空间-光谱正则约束的自监督高光谱图像复原方法（S2DIP）并设计了求解模型的交替方向乘子法。S2DIP方法提高了自监督高光谱图像复原方法的性能并解决了自监督高光谱图像复原方法的半收敛性问题。在仿真和真实数据上的广泛实验表明S2DIP方法在视觉质量和定量评价指标等方面均优于当前最先进方法，部分结果如图3所示。匿名审稿人评价研究工作为 “an interesting denoising framework”。

图3：不同方法在混合噪声下的复原结果

　　苗雨春同学和罗倚斯同学于2019年加入黄廷祝教授带领的张量建模与计算团队，在赵熙乐教授指导下进行基于数学方法和深度学习方法的高维图像复原问题研究。该团队近年来在高水平学术期刊和会议上发表文章，如计算与应用数学权威期刊SIAM J. Sci. Comput.、SIAM J. Imaging Sci.、J. Sci. Comput.，图像处理权威期刊IEEE Trans. Image Process.、IEEE Trans. Cybernetics、IEEE Trans. Geosci. Remote Sens.、IEEE Trans. Neural Net. Learn. Syst.以及顶级会议CVPR和AAAI。团队科研育人氛围浓厚，近年来赵熙乐老师已指导多名不同学院的本科生发表高水平学术期刊和会议文章，并获四川省第十五届挑战杯二等奖。

?

　　论文链接：

　　https://ieeexplore.ieee.org/document/9524362

　　https://ieeexplore.ieee.org/document/9534671