MST
MST 是一套专注于光谱压缩成像重建的开源算法工具箱，由清华大学等团队开发，集成了 MST、CST、DAUHST、BiSCI、HDNet、MST++ 等 15 余种前沿算法。这些模型均发表于 CVPR、NeurIPS、ECCV 等顶级会议，其中 MST++ 更是荣获 NTIRE 2022 光谱重建挑战赛冠军。
光谱压缩成像是一种"用更少数据捕捉更丰富光谱信息"的成像技术，但原始数据往往是严重压缩的二维测量结果，需要复杂的算法才能还原为高分辨率三维光谱图像。MST 正是解决这一从压缩测量中高精度重建高光谱图像的难题，让普通 RGB 相机也能"看"到远超人眼的光谱细节。
这套工具主要面向计算机视觉研究人员、光学成像工程师和遥感图像处理开发者。无论是研究新型重建网络架构，还是需要为光谱相机配套后端算法，MST 都提供了即插即用的基准实现和预训练模型。技术亮点包括：基于 Transformer 的谱间注意力机制、从粗到精的多阶段重建策略，以及针对硬件退化特性的自适应展开网络设计，兼顾重建精度与计算效率。
使用场景
某农业科技公司正在开发一套无人机高光谱作物健康监测系统，用于精准识别农田中的病虫害早期迹象。团队需要从无人机搭载的压缩高光谱相机采集的原始数据中，快速重建出完整的高光谱图像，以便后续分析作物叶绿素含量、水分胁迫等指标。
没有 MST 时
- 算法选型困难：团队成员需要逐一调研 CVPR/NeurIPS 等顶会论文，手动复现 MST、CST、DAUHST 等 10 余种算法，每个算法代码风格迥异，环境配置冲突频发，两周过去还没跑通 baseline
- 性能对比混乱：不同论文的实验设置不统一，有的用仿真数据、有的用真实数据，团队无法公平评估哪个算法最适合自己的无人机场景（需要轻量化+实时性）
- 部署成本高昂：好不容易选定的模型在边缘设备上推理速度不达标，但缺乏针对二值化压缩感知的优化方案，被迫牺牲精度换速度，监测准确率大幅下降
- 复现结果存疑：某篇论文的开源代码存在 bug，团队调参一个月后发现指标对不上原文，项目进度严重滞后，错过春耕监测窗口期
使用 MST 后
- 开箱即用的算法库：MST 将 15+ 种 SOTA 算法统一封装，一行命令切换 MST++/CST/DAUHST 等模型，标准化数据接口让团队 3 天内完成全部算法初筛
- 公平高效的基准测试：工具箱内置统一的仿真/真实数据集划分和评估指标，团队快速验证发现 BiSCI 的二值化设计在保持 38dB PSNR 的同时，推理速度提升 4 倍，完美匹配无人机边缘计算需求
- 即插即用的优化方案：直接调用 MST 中的二值化重建模块（BiSCI），模型体积压缩至 1MB 以内，Jetson Nano 上实现 15fps 实时处理，无需牺牲精度
- 可复现的可靠结果：NTIRE 2022 冠军方案 MST++ 的预训练模型和训练日志全公开，团队复现指标与论文误差 <0.1dB，两周内完成模型选型并进入部署阶段
核心价值：MST 将分散的学术研究转化为工程可用的标准化工具，让团队从"重复造轮子"转向"专注业务创新"，显著缩短高光谱成像技术从论文到农田的落地周期。
运行环境要求
- Linux
- Windows
需要 NVIDIA GPU，显存未明确说明，CUDA 11.0+
未说明
快速开始
光谱压缩成像工具箱
作者
Yuanhao Cai*, Jing Lin*, Xiaowan Hu, Haoqian Wang, Xin Yuan, Yulun Zhang, Radu Timofte, and Luc Van Gool
论文
- Binarized Spectral Compressive Imaging (NeurIPS 2023) — 二值化光谱压缩成像
- Mask-guided Spectral-wise Transformer for Efficient Hyperspectral Image Reconstruction (CVPR 2022) — 掩码引导的光谱级 Transformer 用于高效高光谱图像重建
- Coarse-to-Fine Sparse Transformer for Hyperspectral Image Reconstruction (ECCV 2022) — 用于高光谱图像重建的由粗到精稀疏 Transformer
- Degradation-Aware Unfolding Half-Shuffle Transformer for Spectral Compressive Imaging (NeurIPS 2022) — 退化感知展开半洗牌 Transformer 用于光谱压缩成像
- MST++: Multi-stage Spectral-wise Transformer for Efficient Spectral Reconstruction (CVPRW 2022) — MST++：多阶段光谱级 Transformer 用于高效光谱重建
- HDNet: High-resolution Dual-domain Learning for Spectral Compressive Imaging (CVPR 2022) — HDNet：用于光谱压缩成像的高分辨率双域学习
奖项
简介
这是一个用于光谱压缩成像重建的基线和工具箱。本仓库支持 超过 15 种 算法。我们的方法 MST++ 赢得了 NTIRE 2022 RGB 图像光谱恢复挑战赛冠军。如果您觉得这个仓库有用，请给它一个星标 ⭐ 并考虑在您的研究中引用我们的论文。谢谢。
最新动态
- 2025.02.10： NTIRE 2025 低光图像增强挑战赛 已启动。欢迎使用我们的 Retinexformer 和 MST 参加此次挑战赛。😄
- 2024.04.09： 我们发布了三种传统基于模型的方法的结果，即 TwIST、GAP-TV 和 DeSCI，以方便您开展研究。请随意使用。😄
- 2024.03.21： 我们的方法 Retinexformer 和 MST++（NTIRE 2022 光谱重建挑战赛冠军）在 NTIRE 2024 低光增强挑战赛 中排名前二。代码、预训练模型、训练日志和增强结果将在 Retinexformer 仓库 中发布。敬请期待！🚀
- 2024.02.15： NTIRE 2024 低光增强挑战赛 开始。欢迎使用我们的 Retinexformer 或 MST++（NTIRE 2022 光谱重建挑战赛冠军）参加此次挑战赛！:trophy:
- 2023.12.02： 真实实验的代码已更新。欢迎查看和使用。🥳
- 2023.11.24： BiSRNet（NeurIPS 2023）的代码、模型和结果已在本仓库发布。我们还开发了一个用于二值化 SCI 重建的工具箱 BiSCI。欢迎查看和使用。🌟
- 2023.11.02： MST、MST++、CST 和 DAUHST 已被添加到 Awesome-Transformer-Attention 集合中。💫
- 2023.09.21： 我们的新工作 BiSRNet 被 NeurIPS 23 接收。代码将在本仓库和 BiSCI 发布
- 2023.02.26： 我们发布了 五个真实场景 和 十个模拟场景 的 RGB 图像。请随意查看和使用。🌟
- 2022.11.02： 我们提供了更多最先进方法的视觉结果，以及评估模型参数和计算复杂度的功能。请随意查看和使用。:high_brightness:
- 2022.10.23： DAUHST 的代码、模型和重建 HSI（高光谱图像, Hyperspectral Image）结果已发布。🔥
- 2022.09.15： 我们的 DAUHST 已被 NeurIPS 2022 接收，代码和模型即将发布。:rocket:
- 2022.07.20： CST 的代码、模型和重建 HSI 结果已发布。🔥
- 2022.07.04： 我们的论文 CST 已被 ECCV 2022 接收，代码和模型即将发布。:rocket:
- 2022.06.14： MST 和 MST++ 的代码和模型已发布。本仓库支持 12 种基于学习的方法，作为光谱压缩成像的工具箱。模型库将会扩大。🔥
- 2022.05.20： 我们的工作 DAUHST 已发布在 arxiv 上。:dizzy:
- 2022.04.02： 后续工作 MST++ 赢得了 NTIRE 2022 光谱重建挑战赛冠军。:trophy:
- 2022.03.09： 我们的工作 CST 已发布在 arxiv 上。:dizzy:
- 2022.03.02： 我们的论文 MST 已被 CVPR 2022 接收，代码和模型即将发布。:rocket:
| 场景 2 | 场景 3 | 场景 4 | 场景 7 |
|---|---|---|---|
 |
 |
 |
 |
1. 与最先进方法的比较
支持 12 种基于学习（learning-based）的算法和 3 种基于模型（model-based）的方法。
支持的算法：
我们计划在未来扩充模型库（model zoo）。
| MST 与 SOTA 对比 | CST 与 MST 对比 |
| :--------------------------------------------------: : :---------------------------------------------: |
| 
| 
|
| MST++ 与 SOTA 对比 | DAUHST 与 SOTA 对比 |
| 
| 
|
| BiSRNet 与 SOTA BNNs 对比 |
|---|
 |
仿真数据集上的定量比较
性能报告基于 KAIST 数据集的 10 个场景。FLOPS 的测试尺寸为 256 x 256。
我们还提供了 五个真实场景 和 十个模拟场景 的 RGB 图像，方便您绘制图表。
注意：百度网盘 的提取码为 mst1
2. 创建环境：
pip install -r requirements.txt
3. 准备数据集：
下载 cave_1024_28（百度网盘，提取码：fo0q | One Drive）、CAVE_512_28（百度网盘，提取码：ixoe | One Drive）、KAIST_CVPR2021（百度网盘，提取码：5mmn | One Drive）、TSA_simu_data（百度网盘，提取码：efu8 | One Drive）、TSA_real_data（百度网盘，提取码：eaqe | One Drive），然后将其放入 datasets/ 的相应文件夹中，并按以下形式重新整理：
|--MST
|--real
|-- test_code
|-- train_code
|--simulation
|-- test_code
|-- train_code
|--visualization
|--datasets
|--cave_1024_28
|--scene1.mat
|--scene2.mat
：
|--scene205.mat
|--CAVE_512_28
|--scene1.mat
|--scene2.mat
：
|--scene30.mat
|--KAIST_CVPR2021
|--1.mat
|--2.mat
：
|--30.mat
|--TSA_simu_data
|--mask.mat
|--Truth
|--scene01.mat
|--scene02.mat
：
|--scene10.mat
|--TSA_real_data
|--mask.mat
|--Measurements
|--scene1.mat
|--scene2.mat
：
|--scene5.mat
遵循 TSA-Net 和 DGSMP 的方法，我们使用 CAVE 数据集（cave_1024_28）作为模拟训练集。CAVE（CAVE_512_28）和 KAIST（KAIST_CVPR2021）数据集均用作真实训练集。
4. 模拟实验：
4.1 训练
cd MST/simulation/train_code/
# MST_S
python train.py --template mst_s --outf ./exp/mst_s/ --method mst_s
# MST_M
python train.py --template mst_m --outf ./exp/mst_m/ --method mst_m
# MST_L
python train.py --template mst_l --outf ./exp/mst_l/ --method mst_l
# CST_S
python train.py --template cst_s --outf ./exp/cst_s/ --method cst_s
# CST_M
python train.py --template cst_m --outf ./exp/cst_m/ --method cst_m
# CST_L
python train.py --template cst_l --outf ./exp/cst_l/ --method cst_l
# CST_L_Plus
python train.py --template cst_l_plus --outf ./exp/cst_l_plus/ --method cst_l_plus
# GAP-Net
python train.py --template gap_net --outf ./exp/gap_net/ --method gap_net
# ADMM-Net
python train.py --template admm_net --outf ./exp/admm_net/ --method admm_net
# TSA-Net
python train.py --template tsa_net --outf ./exp/tsa_net/ --method tsa_net
# HDNet
python train.py --template hdnet --outf ./exp/hdnet/ --method hdnet
# DGSMP
python train.py --template dgsmp --outf ./exp/dgsmp/ --method dgsmp
# BIRNAT
python train.py --template birnat --outf ./exp/birnat/ --method birnat
# MST_Plus_Plus
python train.py --template mst_plus_plus --outf ./exp/mst_plus_plus/ --method mst_plus_plus
# λ-Net
python train.py --template lambda_net --outf ./exp/lambda_net/ --method lambda_net
# DAUHST-2stg
python train.py --template dauhst_2stg --outf ./exp/dauhst_2stg/ --method dauhst_2stg
# DAUHST-3stg
python train.py --template dauhst_3stg --outf ./exp/dauhst_3stg/ --method dauhst_3stg
# DAUHST-5stg
python train.py --template dauhst_5stg --outf ./exp/dauhst_5stg/ --method dauhst_5stg
# DAUHST-9stg
python train.py --template dauhst_9stg --outf ./exp/dauhst_9stg/ --method dauhst_9stg
# BiSRNet
python train.py --template bisrnet --outf ./exp/bisrnet/ --method bisrnet
- 训练日志、训练好的模型和重建的高光谱图像（HSI, Hyperspectral Image）将保存在
MST/simulation/train_code/exp/中
4.2 测试
从（Google Drive / 百度网盘，提取码：mst1）下载预训练模型库，并将其放置到 MST/simulation/test_code/model_zoo/
运行以下命令在模拟数据集上测试模型。
cd MST/simulation/test_code/
# MST_S
python test.py --template mst_s --outf ./exp/mst_s/ --method mst_s --pretrained_model_path ./model_zoo/mst/mst_s.pth
# MST_M
python test.py --template mst_m --outf ./exp/mst_m/ --method mst_m --pretrained_model_path ./model_zoo/mst/mst_m.pth
# MST_L
python test.py --template mst_l --outf ./exp/mst_l/ --method mst_l --pretrained_model_path ./model_zoo/mst/mst_l.pth
# CST_S
python test.py --template cst_s --outf ./exp/cst_s/ --method cst_s --pretrained_model_path ./model_zoo/cst/cst_s.pth
# CST_M
python test.py --template cst_m --outf ./exp/cst_m/ --method cst_m --pretrained_model_path ./model_zoo/cst/cst_m.pth
# CST_L
python test.py --template cst_l --outf ./exp/cst_l/ --method cst_l --pretrained_model_path ./model_zoo/cst/cst_l.pth
# CST_L_Plus
python test.py --template cst_l_plus --outf ./exp/cst_l_plus/ --method cst_l_plus --pretrained_model_path ./model_zoo/cst/cst_l_plus.pth
# GAP_Net
python test.py --template gap_net --outf ./exp/gap_net/ --method gap_net --pretrained_model_path ./model_zoo/gap_net/gap_net.pth
# ADMM_Net
python test.py --template admm_net --outf ./exp/admm_net/ --method admm_net --pretrained_model_path ./model_zoo/admm_net/admm_net.pth
# TSA_Net
python test.py --template tsa_net --outf ./exp/tsa_net/ --method tsa_net --pretrained_model_path ./model_zoo/tsa_net/tsa_net.pth
# HDNet
python test.py --template hdnet --outf ./exp/hdnet/ --method hdnet --pretrained_model_path ./model_zoo/hdnet/hdnet.pth
# DGSMP
python test.py --template dgsmp --outf ./exp/dgsmp/ --method dgsmp --pretrained_model_path ./model_zoo/dgsmp/dgsmp.pth
# BIRNAT
python test.py --template birnat --outf ./exp/birnat/ --method birnat --pretrained_model_path ./model_zoo/birnat/birnat.pth
# MST_Plus_Plus
python test.py --template mst_plus_plus --outf ./exp/mst_plus_plus/ --method mst_plus_plus --pretrained_model_path ./model_zoo/mst_plus_plus/mst_plus_plus.pth
# λ-Net
python test.py --template lambda_net --outf ./exp/lambda_net/ --method lambda_net --pretrained_model_path ./model_zoo/lambda_net/lambda_net.pth
# DAUHST-2stg
python test.py --template dauhst_2stg --outf ./exp/dauhst_2stg/ --method dauhst_2stg --pretrained_model_path ./model_zoo/dauhst_2stg/dauhst_2stg.pth
# DAUHST-3stg
python test.py --template dauhst_3stg --outf ./exp/dauhst_3stg/ --method dauhst_3stg --pretrained_model_path ./model_zoo/dauhst_3stg/dauhst_3stg.pth
# DAUHST-5stg
python test.py --template dauhst_5stg --outf ./exp/dauhst_5stg/ --method dauhst_5stg --pretrained_model_path ./model_zoo/dauhst_5stg/dauhst_5stg.pth
# DAUHST-9stg
python test.py --template dauhst_9stg --outf ./exp/dauhst_9stg/ --method dauhst_9stg --pretrained_model_path ./model_zoo/dauhst_9stg/dauhst_9stg.pth
# BiSRNet
python test.py --template bisrnet --outf ./exp/bisrnet/ --method bisrnet --pretrained_model_path ./model_zoo/bisrnet/bisrnet.pth
- 重建的高光谱图像（HSI, Hyperspectral Image）将输出到
MST/simulation/test_code/exp/。然后将重建结果放入MST/simulation/test_code/Quality_Metrics/results，并运行以下 MATLAB 命令来计算重建高光谱图像的 PSNR（峰值信噪比）和 SSIM（结构相似性指数）。
Run cal_quality_assessment.m
评估模型的参数量（Params）和浮点运算量（FLOPS）
我们在simulation/test_code/utils.py中提供了两个函数my_summary()和my_summary_bnn()。使用它们来评估全精度模型和二值化模型的参数量和 FLOPS。
from utils import my_summary, my_summary_bnn
my_summary(MST(), 256, 256, 28, 1)
my_summary_bnn(BiSRNet(), 256, 256, 28, 1)
4.3 可视化
将重建的高光谱图像放入
MST/visualization/simulation_results/results，并将其重命名为 method.mat，例如 mst_s.mat。生成重建高光谱图像的 RGB 图像
cd MST/visualization/
Run show_simulation.m
- 绘制光谱密度曲线
cd MST/visualization/
Run show_line.m
5. 真实实验：
5.1 训练
cd MST/real/train_code/
# MST_S
python train.py --template mst_s --outf ./exp/mst_s/ --method mst_s
# MST_M
python train.py --template mst_m --outf ./exp/mst_m/ --method mst_m
# MST_L
python train.py --template mst_l --outf ./exp/mst_l/ --method mst_l
# CST_S
python train.py --template cst_s --outf ./exp/cst_s/ --method cst_s
# CST_M
python train.py --template cst_m --outf ./exp/cst_m/ --method cst_m
# CST_L
python train.py --template cst_l --outf ./exp/cst_l/ --method cst_l
# CST_L_Plus
python train.py --template cst_l_plus --outf ./exp/cst_l_plus/ --method cst_l_plus
# GAP-Net
python train.py --template gap_net --outf ./exp/gap_net/ --method gap_net
# ADMM-Net
python train.py --template admm_net --outf ./exp/admm_net/ --method admm_net
# TSA-Net
python train.py --template tsa_net --outf ./exp/tsa_net/ --method tsa_net
# HDNet
python train.py --template hdnet --outf ./exp/hdnet/ --method hdnet
# DGSMP
python train.py --template dgsmp --outf ./exp/dgsmp/ --method dgsmp
# BIRNAT
python train.py --template birnat --outf ./exp/birnat/ --method birnat
# MST_Plus_Plus
python train.py --template mst_plus_plus --outf ./exp/mst_plus_plus/ --method mst_plus_plus
# λ-Net
python train.py --template lambda_net --outf ./exp/lambda_net/ --method lambda_net
# DAUHST-2stg
python train.py --template dauhst_2stg --outf ./exp/dauhst_2stg/ --method dauhst_2stg
# DAUHST-3stg
python train.py --template dauhst_3stg --outf ./exp/dauhst_3stg/ --method dauhst_3stg
# DAUHST-5stg
python train.py --template dauhst_5stg --outf ./exp/dauhst_5stg/ --method dauhst_5stg
# DAUHST-9stg
python train.py --template dauhst_9stg --outf ./exp/dauhst_9stg/ --method dauhst_9stg
# BiSRNet
python train_s.py --outf ./exp/bisrnet/ --method bisrnet
如果没有大显存 GPU，请添加
--size 128以使用较小的图像块尺寸。训练日志、训练好的模型和重建的高光谱图像将保存在
MST/real/train_code/exp/注意：如果无法获取掩码数据或 GPU 资源有限，除 BiSRNet 外的其他方法可以使用
train_s.py进行训练。此时需要替换上述命令中的--method参数，并进行一些修改。
5.2 测试
BiSRNet 的预训练模型可以从 (Google Drive / 百度网盘，提取码：mst1) 下载，并将其放置到 MST/real/test_code/model_zoo/
cd MST/real/test_code/
# MST_S
python test.py --outf ./exp/mst_s/ --pretrained_model_path ./model_zoo/mst/mst_s.pth
# MST_M
python test.py --outf ./exp/mst_m/ --pretrained_model_path ./model_zoo/mst/mst_m.pth
# MST_L
python test.py --outf ./exp/mst_l/ --pretrained_model_path ./model_zoo/mst/mst_l.pth
# CST_S
python test.py --outf ./exp/cst_s/ --pretrained_model_path ./model_zoo/cst/cst_s.pth
# CST_M
python test.py --outf ./exp/cst_m/ --pretrained_model_path ./model_zoo/cst/cst_m.pth
# CST_L
python test.py --outf ./exp/cst_l/ --pretrained_model_path ./model_zoo/cst/cst_l.pth
# CST_L_Plus
python test.py --outf ./exp/cst_l_plus/ --pretrained_model_path ./model_zoo/cst/cst_l_plus.pth
# GAP_Net
python test.py --outf ./exp/gap_net/ --pretrained_model_path ./model_zoo/gap_net/gap_net.pth
# ADMM_Net
python test.py --outf ./exp/admm_net/ --pretrained_model_path ./model_zoo/admm_net/admm_net.pth
# TSA_Net
python test.py --outf ./exp/tsa_net/ --pretrained_model_path ./model_zoo/tsa_net/tsa_net.pth
# HDNet
python test.py --template hdnet --outf ./exp/hdnet/ --method hdnet --pretrained_model_path ./model_zoo/hdnet/hdnet.pth
# DGSMP
python test.py --outf ./exp/dgsmp/ --pretrained_model_path ./model_zoo/dgsmp/dgsmp.pth
# BIRNAT
python test.py --outf ./exp/birnat/ --pretrained_model_path ./model_zoo/birnat/birnat.pth
# MST_Plus_Plus
python test.py --outf ./exp/mst_plus_plus/ --pretrained_model_path ./model_zoo/mst_plus_plus/mst_plus_plus.pth
# λ-Net
python test.py --outf ./exp/lambda_net/ --pretrained_model_path ./model_zoo/lambda_net/lambda_net.pth
# DAUHST_2stg
python test.py --outf ./exp/dauhst_2stg/ --pretrained_model_path ./model_zoo/dauhst/dauhst_2stg.pth
# DAUHST_3stg
python test.py --outf ./exp/dauhst_3stg/ --pretrained_model_path ./model_zoo/dauhst/dauhst_3stg.pth
# DAUHST_5stg
python test.py --outf ./exp/dauhst_5stg/ --pretrained_model_path ./model_zoo/dauhst/dauhst_5stg.pth
# DAUHST_9stg
python test.py --outf ./exp/dauhst_9stg/ --pretrained_model_path ./model_zoo/dauhst/dauhst_9stg.pth
# BiSRNet
python test.py --outf ./exp/bisrnet --pretrained_model_path ./model_zoo/bisrnet/bisrnet.pth --method bisrnet
- 重建的高光谱图像（HSI, Hyperspectral Image）将输出到
MST/real/test_code/exp/
5.3 可视化
将重建的 HSI 放入
MST/visualization/real_results/results并重命名为 method.mat，例如 mst_plus_plus.mat。生成重建 HSI 的 RGB 图像
cd MST/visualization/
Run show_real.m
6. 引用
如果本仓库对您有帮助，请考虑引用我们的工作：
# MST
@inproceedings{mst,
title={Mask-guided Spectral-wise Transformer for Efficient Hyperspectral Image Reconstruction},
author={Yuanhao Cai and Jing Lin and Xiaowan Hu and Haoqian Wang and Xin Yuan and Yulun Zhang and Radu Timofte and Luc Van Gool},
booktitle={CVPR},
year={2022}
}
# CST
@inproceedings{cst,
title={Coarse-to-Fine Sparse Transformer for Hyperspectral Image Reconstruction},
author={Yuanhao Cai and Jing Lin and Xiaowan Hu and Haoqian Wang and Xin Yuan and Yulun Zhang and Radu Timofte and Luc Van Gool},
booktitle={ECCV},
year={2022}
}
# DAUHST
@inproceedings{dauhst,
title={Degradation-Aware Unfolding Half-Shuffle Transformer for Spectral Compressive Imaging},
author={Yuanhao Cai and Jing Lin and Haoqian Wang and Xin Yuan and Henghui Ding and Yulun Zhang and Radu Timofte and Luc Van Gool},
booktitle={NeurIPS},
year={2022}
}
# BiSCI
@inproceedings{bisci,
title={Binarized Spectral Compressive Imaging},
author={Yuanhao Cai and Yuxin Zheng and Jing Lin and Xin Yuan and Yulun Zhang and Haoqian Wang},
booktitle={NeurIPS},
year={2023}
}
# MST++
@inproceedings{mst_pp,
title={MST++: Multi-stage Spectral-wise Transformer for Efficient Spectral Reconstruction},
author={Yuanhao Cai and Jing Lin and Zudi Lin and Haoqian Wang and Yulun Zhang and Hanspeter Pfister and Radu Timofte and Luc Van Gool},
booktitle={CVPRW},
year={2022}
}
# HDNet
@inproceedings{hdnet,
title={HDNet: High-resolution Dual-domain Learning for Spectral Compressive Imaging},
author={Xiaowan Hu and Yuanhao Cai and Jing Lin and Haoqian Wang and Xin Yuan and Yulun Zhang and Radu Timofte and Luc Van Gool},
booktitle={CVPR},
year={2022}
}
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。