高光谱成像技术通常以数十个或数百个波段的形式记录场景的光谱信息,其中每个波段对应于特定狭窄的波长范围。采集到的高光谱图像相比于彩色图像包含更丰富的光谱信息,同时场景的光谱特性已经被证明对多个研究领域有帮助。在传统行业中,高光谱成像技术已经被用于遥感成像,药物检测,矿物勘探等领域。而最近高光谱图像开始应用在许多计算机视觉任务中,例如图像分割,人脸识别,物体跟踪等任务。在传统获取高光谱图像的过程中通常使用二维传感器捕捉三维信息,所以不可避免地要在光谱分辨率和空间或者时间分辨率间做出权衡。例如在捕捉动态场景的光谱信息时,快照式光谱成像技术通过牺牲空间分辨率来换取光谱分辨率,因此高光谱图像空间超分辨率技术经常被用在图像后处理中。此外,由于高光谱成像技术中的硬件系统和重建算法仍然存在高复杂度的问题,随着研究者们提出基于彩色相机的高光谱成像技术,从彩色图像到高光谱图像的重建算法(光谱超分辨率)成为研究关键点。本文旨在探究基于深度学习的光谱重建算法。围绕这一核心,研究内容大体分为光谱超分辨率和高光谱图像空间超分辨率两方面。同时我们也利用高空间分辨率彩色图像与低空间分辨率高光谱图像之间的互补信息,完成高光谱图像空谱联合重建任务。此外,我们还将领域自适应的方法引入到光谱超分辨率任务中,使之前提出的模型可以适应不同图像域的彩色图像。具体来说,本文的主要工作和创新点可以总结为:1.我们针对于于不同的降质模型,如空间下采样和光谱下采样,提出了一个近乎统一的深度学习方法。之后我们详细研究了残差学习,密集连接等模块间的性能差异,并提出使用基于通道注意力机制的残差学习模块,同时我们也针对高光谱图像空谱联合超分辨率任务提出了融合网络。与其他方法相比,本文提出的重建方法有效利用了现有的网络结构,并且在NTIRE2018和PIRM2018光谱挑战赛中都取得了当时最好的结果。2.我们将领域自适应框架引入到光谱超分辨率任务中,先通过判别器判断彩色图像属于原域或目标域,再利用对抗学习方法完成迁移,这类方法可以解决在目标域下没有训练数据的问题。实验结果显示本文提出的方法可以有效实现在两种不同光谱响应曲线合成的彩色图像间进行迁移。