本文档属于类型a，即单篇原创研究的学术报告。以下是针对该研究的详细介绍：
该研究的主要作者包括Junjun Jiang、He Sun、Xianming Liu和Jiayi Ma，分别来自哈尔滨工业大学和武汉大学。研究发表于2020年的IEEE Transactions on Computational Imaging期刊，具体发表时间为2020年7月6日。
本研究的主要科学领域是高光谱图像超分辨率重建（hyperspectral image super-resolution）。高光谱成像技术能够在电磁波谱的广泛范围内收集和处理信息，具有强大的光谱诊断能力，能够区分人眼难以分辨的材料。然而，由于入射能量的限制，高光谱成像系统在空间分辨率和光谱分辨率之间存在权衡。为了提高高光谱图像的空间分辨率，研究者提出了多种超分辨率重建技术。近年来，基于深度卷积神经网络（DCNN）的单幅灰度/RGB图像超分辨率重建技术取得了显著进展，但由于高光谱图像的高维性和复杂的光谱模式，单幅高光谱图像超分辨率重建技术的发展较为有限。
本研究的背景知识包括高光谱成像的基本原理、超分辨率重建技术的分类（如基于融合的超分辨率重建和单幅高光谱图像超分辨率重建），以及深度学习在高光谱图像处理中的应用。研究的主要目标是通过深度学习技术，提出一种高效的单幅高光谱图像超分辨率重建方法，以充分利用高光谱数据的空间信息和光谱相关性。
本研究提出了一个基于空间-光谱先验网络（Spatial-Spectral Prior Network, SSPN）的超分辨率重建方法，称为SSPSR。具体流程包括以下几个步骤：
网络架构设计：SSPSR网络主要由分支网络和全局网络组成。输入的低分辨率高光谱图像首先被划分为多个重叠的组，每个组通过一个分支网络提取空间-光谱特征，并进行逐步上采样。所有分支网络的输出特征被拼接后，输入到全局网络中进行进一步的空间-光谱特征提取和上采样。网络采用了组卷积和参数共享策略，以降低模型参数数量，并提高训练稳定性。
空间-光谱块（SSB）设计：为了充分利用高光谱数据的空间和光谱先验，研究者设计了一个空间-光谱块（SSB），包含一个空间残差模块和一个光谱注意力残差模块。空间残差模块用于提取高光谱数据的空间信息，而光谱注意力残差模块则用于提取光谱相关性。通过短跳和长跳连接，形成了残差中的残差结构，使空间-光谱特征提取更加高效。
损失函数设计：为了衡量超分辨率重建的性能，研究者采用了L1损失函数，并结合空间-光谱总变差（SSTV）约束，以同时保证重建结果的空间和光谱平滑性。
实验与评估：研究在三个公开的高光谱图像数据集（Chikusei、Pavia Centre和CAVE）上进行了实验，评估了SSPSR方法的性能。实验结果表明，SSPSR方法在多个客观评价指标上均优于现有的超分辨率重建方法，能够生成细节丰富的高分辨率高光谱图像。
网络架构的有效性：通过组卷积和参数共享策略，SSPSR网络在训练样本有限的情况下，能够稳定地训练出有效的模型。实验结果表明，SSPSR方法在Chikusei数据集上的平均PSNR值比第二好的方法高出0.30 dB。
空间-光谱块的设计：SSB模块通过空间残差模块和光谱注意力残差模块的结合，有效地提取了高光谱数据的空间和光谱特征。实验结果表明，SSB模块的引入显著提高了重建图像的质量。
损失函数的效果：结合L1损失和SSTV约束的损失函数，能够在保证空间重建精度的同时，提高光谱一致性。实验结果表明，引入SSTV约束后，重建结果的光谱一致性得到了进一步提升。
实验结果：在Chikusei、Pavia Centre和CAVE数据集上的实验结果表明，SSPSR方法在多个客观评价指标（如PSNR、SSIM、SAM等）上均优于现有的超分辨率重建方法，能够生成细节丰富的高分辨率高光谱图像。
本研究提出了一种基于空间-光谱先验网络的单幅高光谱图像超分辨率重建方法SSPSR，通过组卷积、参数共享和逐步上采样策略，有效解决了高光谱图像训练样本有限和高维性的问题。实验结果表明，SSPSR方法在多个公开数据集上均取得了优于现有方法的重建效果，具有较高的科学价值和实际应用价值。
本研究还提供了SSPSR方法的源代码，便于其他研究者复现和改进该方法。此外，研究者在实验部分详细分析了不同组卷积和重叠策略对重建效果的影响，为后续研究提供了有价值的参考。