面向cassi的高光谱图像重建算法研究综述（特邀）

编码孔径快照式光谱成像（Coded Aperture Snapshot Spectral Imaging，CASSI）作为一种具备快速获取高光谱数据能力的成像技术，在遥感、医学成像、环境监测等领域展现出广阔应用前景。然而，由于CASSI系统在成像过程中引入高度压缩编码观测，如何在保持高效推理的同时，实现对原始高光谱图像的高质量重建，已成为该领域的核心挑战。本文围绕CASSI系统的成像机制与数学模型，系统梳理了现有高光谱图像重建算法的研究进展。首先，对CASSI系统的分类与建模方法进行概述；随后，从传统基于先验模型的优化迭代方法出发，评述了基于稀疏先验、变分先验与低秩先验等典型先验算法，梳理了先验的基本原理与算法的优化策略；在此基础上，重点总结了近年来兴起的基于深度学习的方法，包括端到端神经网络、深度展开方法和即插即用框架等，以及新兴的网络结构如Transformer和Mamba在算法中的应用，探讨其在提升重建质量与计算效率方面的优势与挑战；此外，对常用的公开高光谱图像数据集及其配套的重建评价指标进行了对比分析，旨在为算法性能的定量评估提供系统参考；最后，围绕当前研究中的瓶颈问题，展望未来在物理模型融合、网络结构设计、泛化能力提升和平衡性能与计算效率等方向的潜在发展趋势，期望为相关研究提供理论依据与实践参考。