Tag · 7 篇
深度展开网络
基于对抗展开与数据驱动光谱正则化的光谱超分辨率：从多光谱卫星数据到 NASA 高光谱图像
Spectral Super-Resolution via Adversarial Unfolding and Data-Driven Spectrum Regularization: From Multispectral Satellite Data to NASA Hyperspectral Image
把深度展开网络与数据驱动先验网络（PriorNet）结合，并在展开架构中嵌入对抗判别器，使判别器在训练与测试阶段都参与重建；这一「展开对抗学习」思路可迁移到其他病态逆问题（如去噪、去模糊、超分辨率）中，用轻量先验网络替代隐式深度先验以大幅降低 MACs 与参数量。
面向压缩感知的多尺度梯度引导展开架构与自适应 Mamba
Multi-Scale Gradient-Guided Unrolling Architecture with Adaptive Mamba for Compressive Sensing
把 Mamba 状态空间块嵌入 PGD 展开框架，用多尺度展开与高维梯度融合替代跨阶段同质化特征提取，为图像复原类逆问题提供兼顾全局感受野与效率的可解释网络骨架。
LRDUN：面向高效光谱压缩成像的低秩深度展开网络
LRDUN: A Low-Rank Deep Unfolding Network for Efficient Spectral Compressive Imaging
把低秩分解显式嵌入感知模型，使展开网络的每一阶段只在低维光谱基/子空间图像上做近端梯度更新，从而缓解 2D 残差映射回 3D 高光谱的病态性并降低计算量；这套「低秩感知模型 + 展开优化」思路可直接迁移到其他高维逆问题（视频快照压缩成像、多光谱去马赛克）。
协同展开的联合光谱图像重建与语义分割
Joint Spectral Image Reconstruction and Semantic Segmentation with Cooperative Unfolding
将重建与分割两个任务耦合进同一个深度展开框架，并用跨聚合超令牌注意力在两者之间传递表征，为「复原任务与高层任务联合优化」提供了可复用的展开式设计思路。
面向大规模三维逆问题的高效展开网络
Efficient Unrolled Networks for Large-Scale 3D Inverse Problems
把大规模前向算子通过区域分解与法算子近似嵌入展开网络，使单卡即可端到端训练含算子的 3D 重建模型；做 3D 逆问题（CT/MRI 重建）时可直接复用该显存友好的算子嵌入方案。
用于引导深度图超分辨率的双图正则化深度展开网络
Dual Graph Regularized Deep Unfolding Network for Guided Depth Map Super-resolution
把图优化展开成可解释的多阶段网络，并用行列分离的双图拉普拉斯先验把复杂度从 O(H^3W^3) 降到 O(H^3+W^3)，这套「先验建模+展开求解」的范式可直接迁移到其他需要结构保持的复原任务（如引导滤波式上采样、联合滤波）。
超越单一解：面向图像压缩感知的多假设深度展开网络
Beyond Single Solution: Multi-Hypothesis Deep Unfolding Network for Image Compressive Sensing
把「单一解」的深度展开网络改成多假设协同展开：AlphaNet 为每个假设预测空间变化的步长，近端映射模块同时利用假设内与假设间相关性先验联合精修多个解，可直接迁移到其他病态逆问题的展开式求解器（去噪、去模糊、超分）中。