Real-Time Compressed Sensing for Joint Hyperspectral Image Transmission and Restoration for CubeSat

本文探讨了来自小型卫星的高光谱图像（HSI）重建所面临的挑战，这些图像经常受到条纹效应和计算资源有限的影响。我们提出了一个实时压缩感知（RTCS）网络，该网络设计轻量化，只需要相对较少的训练样本，以实现在条纹效应和噪声传输条件下高效和稳健的HSI重建。RTCS网络具有简化的架构，可以减少所需的训练样本，并允许在基于整数8的编码器上轻松实现，从而促进了针对条纹状HSI的快速压缩感知，这与小型卫星上推扫式扫描机制的中等设计完全匹配。这与需要高精度浮点运算的基于优化的模型形成对比，这使得它们难以在边缘设备上部署。我们的编码器采用整数8兼容的线性投影来传输条纹状HSI数据，确保实时压缩感知。此外，基于新颖的双流架构，提出了一种高效的HSI恢复解码器，允许在接收端进行边缘设备重建，而无需复杂的中央服务器。这尤其重要，因为越来越多的小型卫星需要地面站的大量计算资源。广泛的实验验证了我们方法的优越性能，为现有的小型卫星系统提供了新的和重要的能力。

解决问题：论文试图解决从小型卫星中重建高光谱图像时出现的条纹效应和计算资源受限的挑战。

关键思路：提出了一个轻量级的实时压缩感知网络（RTCS），采用简化的架构和整数8兼容的线性投影，以便在较少的训练样本下快速进行压缩感知，从而实现高效和稳健的高光谱图像重建。

其他亮点：提出的RTCS网络具有实时性和易于实现的特点，可以在边缘设备上进行重建，而不需要复杂的中央服务器。实验结果表明，该方法具有优越的性能，为现有的小型卫星系统提供了新的重要功能。

相关研究：最近的相关研究包括“基于深度学习的高光谱图像重建”和“基于压缩感知的高光谱图像重建”。