高光谱成像技术因其可捕捉光谱“指纹”的独特能力，在工业检测、生物医疗、遥感探测等领域广泛运用。但受制于采集速度慢、数据维度高、对光照条件依赖强等瓶颈，难以兼顾空间分辨率、光谱精度与成像效率的平衡。

针对上述难题，湖南大学机器人学院、机器人视觉感知与控制技术国家工程研究中心王耀南院士、张辉教授团队聚焦“高效快照式光谱成像”关键技术，构建了一系列原创成像模型，融合了先验引导与低秩分解等新型算法，搭建了集硬件设计—成像建模—低维观测—高质重建于一体的光谱成像方法框架，研制出弱光照快速高光谱成像系统。该系统可在低采样率下依然实现高保真成像，尤其适用于低照度、高通量的极端成像条件，如生物医学成像、药物快速分析等场景，显著拓展了高光谱成像技术的应用边界。

团队相继在人工智能领域国际期刊发表代表性研究成果，论文《Unsupervised Range-Nullspace Learning Prior for Multispectral Images Reconstruction》^[1] 与《Flex-DLD: Deep Low-rank Decomposition Model with Flexible Priors for Hyperspectral Image Denoising and Restoration》^[2] 发表于IEEE Transactions on Image Processing (TIP 2025、TIP 2024)，论文《Prior Image Guided Snapshot Compressive Spectral Imaging》^[3] 发表于IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI 2023)。湖南大学为以上论文第一完成单位，2021级博士研究生陈煜嵘为第一作者，王耀南院士与湖南大学张辉教授为通讯作者。

图: 光谱成像模型及其成像结果

论文引用信息：

[1] Chen Y, Wang Y, Zhang H. Unsupervised Range-Nullspace Learning Prior for Multispectral Images Reconstruction[J]. IEEE Transactions on Image Processing, 2025. (BibTex)

[2] Chen Y, Zhang H, Wang Y, et al. Flex-DLD: Deep low-rank decomposition model with flexible priors for hyperspectral image denoising and restoration[J]. IEEE Transactions on Image Processing, 2024, 33: 1211-1226. (BibTex)

[3] Chen Y, Wang Y, Zhang H. Prior image guided snapshot compressive spectral imaging[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2023, 45(9): 11096-11107. (BibTex)

来源：机器人学院