论文：(cvpr25) MP-HSIR: A Multi-Prompt Framework for Universal Hyperspectral Image Restoration
作者的研究目标是构建一款适配多样退化类型和强度的通用 HSI 复原框架，同时解决光谱特征复原不足、退化建模精度低的问题。MP-HSIR 的核心是融合光谱提示、文本提示、视觉提示三模态信息，设计了提示引导的空谱 Transformer（PGSSTB）和文本 - 视觉协同提示（TVSP）两大核心模块，整体为编码器 - 解码器架构，如下图所示。
提示引导的空谱 Transformer（PGSSTB）： 构建了提示引导光谱自注意力 PGSSA，如下图所示，包括全局和局部两个分支，是光谱复原的关键。提示引导局部光谱分支，将特征划分为非重叠局部块，引入可学习的光谱提示 提供通用低秩光谱模式，引导注意力聚焦关键光谱通道，提升光谱特征重建和模型泛化性。
文本 - 视觉协同提示（TVSP）： 文本提示部分通过退化预测器 Φ分类输入图像退化类型，基于预训练CLIP 模型生成对应文本嵌入作为提示，同时将嵌入转化为可学习参数适配 HSI 特性；视觉提示部分引入可学习视觉提示，通过跨注意力融合文本 - 视觉提示，实现全局退化调控和局部特征细化，最终通过跳连将融合特征传入解码器。
PGSSA中的光谱提示，是通过训练学习到通用低秩光谱模式，可将任意局部光谱特征表示为该模式的线性组合，显著提升局部光谱建模性能，增强模型在不同数据集和退化场景的泛化性。