由高光谱传感器捕获的高光谱图像(Hyperspectral Image,HSI)是一个三维数据,包含两个像素空间维度和一个光谱维度。通常,高光谱图像包含高的光谱分辨率来描述场景中不同材料反射的详细光谱,因此它在分类、聚类和检测等广泛的应用中起着重要作用。然而,由于传感器的限制和大气干扰,HSI经常遭受各种类型的噪声,例如高斯噪声、条带噪声和死线等。除此之外,在光学成像系统的硬件限制下,高光谱图像通常比全色图像或多光谱图像具有较差的空间分辨率和较低的信噪比。这些因素都极大地限制了HSI在后续任务中的应用,因此,我们非常有必要设计有效的去噪和超分辨率算法来对高光谱图像进行修复。针对高光谱图像去噪问题,我们提出了一个基于注意力的深度残差网络DRAN,来直接学习从噪声HSI到干净HSI的映射。为了联合利用高光谱图像的空间和光谱信息,当前噪声波段以及它的K个相邻波段被同时用作输入。然后,我们采用具有不同大小卷积核的卷积层来融合多尺度特征,并使用跳跃连接来合并多层次的信息,以此来更好地去除噪声。另外,我们还在网络中添加通道注意力机制来使网络专注于最相关的辅助信息和对降噪过程最有利的特征。为了简化训练过程,我们通过残差模式而不是直接预测来得到恢复的干净图像。在多个数据集上的模拟实验结果证明我们提出的方案在定量指标和视觉评估方面都优于最新的高光谱去噪方法。高光谱图像修复本质上是一个病态问题,需要引入一定的先验来进行指导才能对其求解。借助于变量分离技术,我们可以将求解过程分解为两个迭代优化的子问题。其中一个子问题是一个二次正则化最小二乘问题,可以很方便地通过反投影或者共轭梯度来解决。而另一个子问题则可以看作是一个去噪过程,这样,我们就可以将上一步得到的深度去噪模型引入进来。通过结合基于模型的优化方法和基于学习的方法,我们可以灵活处理不同的逆问题,比如高光谱去噪和超分辨率。采用这个策略,我们可以进一步提高高光谱去噪的性能,同时在高光谱超分辨率任务中也能取得比现有方法更好的效果。