一种基于物理信息深度学习的计算光谱仪协同设计方法及设计架构

本发明公开了一种基于物理信息深度学习的计算光谱仪协同设计方法及设计架构。该架构由光谱采样压缩编码网络、物理潜空间以及光谱解码重构网络构成，形成一个端到端全可微训练网络。其中，编码网络利用预训练的结构‑光谱预测器和可训练参数（记为H）生成与物理光学滤波器响应相对应的滤波采样光谱，并将输入光谱映射到带有物理意义的潜空间；解码网络则基于该潜空间重构原始待测光谱。联合采用物理信息损失（如滤波器响应的多样性约束、结构参数间重叠性的限制）与光谱重构误差（例如均方误差或其他距离度量）进行训练，实现硬件（光学滤波器参数）与软件（重构算法）的协同设计，从而降低通道冗余、提高采样效率，并保证系统对不同结构参数或光谱波段均具备良好适应性。