近日，電子科技大學數學科學學院2018級本科生苗雨春在遙感領域國際權威期刊IEEE Transactionson Geoscience and Remote Sensing（IEEE TGRS, SCI一區, 影響因子5.6）發表論文“Hyperspectral Denoising Using Unsupervised Disentangled Spatiospectral Deep Priors”，苗雨春為論文第一作者，張量建模與計算團隊趙熙樂教授和俄勒岡州立大學傅曉助理教授為通訊作者。

高光譜圖像復原問題旨在從退化的觀測圖像反演真實的高維圖像，是數學與信息科學交叉研究中亟待解決的基礎科學問題之一。近年來，深度學習方法在高光譜圖像復原問題中取得了可喜的進展。然而，如何挖掘高光譜圖像的內在結構設計適用于大規模高光譜圖像復原問題的深度學習方法仍然是高光譜圖像處理領域的主要挑戰之一。

圖1：高光譜圖像的線性混合模型

針對上述挑戰，該論文提出了基于解耦空間-光譜深度先驗的自監督高光譜圖像方法（DS2DP）。DS2DP方法的核心思想是，基于基本的高光譜圖像線性混合模型（Linear Mixture Model，如圖1所示），高光譜圖像矩陣可以解耦分解為豐度矩陣和光譜矩陣，進一步通過自監督的方式分別用U-Net網絡和全連接網絡精準地刻畫豐度矩陣的空間深度先驗和光譜矩陣的光譜深度先驗。DS2DP方法不僅展現了優越復原性能而且具有輕量化、泛化性良好等優點。在仿真和真實數據上的廣泛實驗表明DS2DP方法在視覺質量和定量評價指標等方面均優于當前最先進方法，部分結果如圖2所示。匿名審稿人高度評價研究工作為“The idea of incorporating DIP with LMM is an innovation work”。

圖2：不同方法在混合噪聲下的復原結果

此外，數學科學學院2018級本科生羅倚斯在遙感領域SCI期刊IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing（JSTARS, SCI二區, 影響因子 3.8）發表論文“Hyperspectral Mixed Noise Removal Via Spatial-Spectral Constrained Unsupervised Deep Image Prior”。羅倚斯為論文第一作者，趙熙樂教授為通訊作者。該論文提出了基于空間-光譜正則約束的自監督高光譜圖像復原方法（S2DIP）并設計了求解模型的交替方向乘子法。S2DIP方法提高了自監督高光譜圖像復原方法的性能并解決了自監督高光譜圖像復原方法的半收斂性問題。在仿真和真實數據上的廣泛實驗表明S2DIP方法在視覺質量和定量評價指標等方面均優于當前最先進方法，部分結果如圖3所示。匿名審稿人評價研究工作為 “an interesting denoising framework”。

圖3：不同方法在混合噪聲下的復原結果

苗雨春同學和羅倚斯同學于2019年加入黃廷祝教授帶領的張量建模與計算團隊，在趙熙樂教授指導下進行基于數學方法和深度學習方法的高維圖像復原問題研究。該團隊近年來在高水平學術期刊和會議上發表文章，如計算與應用數學權威期刊SIAM J. Sci. Comput.、SIAM J. Imaging Sci.、J. Sci. Comput.，圖像處理權威期刊IEEE Trans. Image Process.、IEEE Trans. Cybernetics、IEEE Trans. Geosci. Remote Sens.、IEEE Trans. Neural Net. Learn. Syst.以及頂級會議CVPR和AAAI。團隊科研育人氛圍濃厚，近年來趙熙樂老師已指導多名不同學院的本科生發表高水平學術期刊和會議文章，并獲四川省第十五屆挑戰杯二等獎。