大多数光谱重建工作是「我又训了一个更准的网络」。这篇 7 月 6 日挂出的论文有意思的地方在别处：它把重建拆成两件互不相干的东西——一个从公开光谱库学来的生成先验，和一个描述你手上这颗探测器的响应度矩阵。换探测器时，你只换后者，前者一行代码都不动。
问题背景：数据配对才是瓶颈
计算光谱仪的思路很朴素：不用光栅，用几个窄带探测器测几个光电流，再反推整条光谱。物理模型是一条线性方程 i = R·p + η，R 是标定好的响应度矩阵（这里 9 通道），p 是要恢复的 301 维光谱（1300–1600 nm，1 nm 步长）。9 个数反推 301 个数，欠定得离谱，所以必须加先验。
传统做法是 Tikhonov 平滑或压缩感知稀疏，缺点是超参得跟着传感器工艺变；端到端深度学习则要成对的（光电流，真值光谱）数据——而这正是最贵的一环，且换一批探测器就得重新采一遍、重新训一遍。做过多光谱模组的人对这个循环应该很熟。
方法的转折：先验不碰传感器数据
作者训了一个 1D U-Net 的 DDPM（4.8M 参数，别把它当大模型看），训练数据是 USGS v7、SPECCHIO、ECOSTRESS 三个公开反射率库——全程不用任何传感器测量。它只学一件事：真实材料的反射率光谱长什么样。
推理时用 ΠGDM（伪逆引导扩散）：每步去噪后先算测量残差 r = i − A(p̂₀)，再用前向算子的 Moore–Penrose 伪逆把估计拉回到与实测光电流一致的子空间，然后走标准 DDPM 更新，50 步出结果。物理约束只在这个投影里出现——所以换探测器阵列，只是把 R 换掉。论文实测就是这么干的：拿第二块独立标定的 SiGe 阵列的 R₂ 直接插进去做零样本重建。
这个「学到的先验 ⊥ 传感器前向模型」的拆法，和月初我们读过的 R2H-Diff 形成鲜明对比：那篇是 RGB→高光谱，前向映射（相机光谱响应 + ISP）是隐式的、未知的，所以模型学到的东西天然被绑死在训练相机上。这篇因为前向模型是显式标定的线性算子，才换得动。
能迁到哪里去
一，SFA / 滤光片选型可以脱离训练循环。 换一组通道中心波长、改 FWHM、砍两个通道——在这个框架里都只是换 R，重建精度立刻可评估，不用为每个候选方案重训一次网络。做多光谱模组通道优化的敏感性分析，这是个能直接搬的工程范式。
二，相机光谱灵敏度本身就是一个 R 矩阵。 跨相机的光谱重建、乃至基于光谱先验的白平衡，长期困在「每台相机一套模型」上。把光照/反射率先验和相机响应解耦，至少是条比端到端更讲道理的路。
三，置信带的宽度是一张同色异谱地图。 论文用 128 次不同随机初始化做蒙特卡洛，给出每个波长的 90% 可信区间（实测覆盖率确实约 90%）。但它的物理含义比误差棒更有意思：作者自己说了「多条光谱可以解释同一组测量」——那么区间宽的波段，正是当前通道配置下分辨不了同色异谱的地方。这等于把「你的传感器在哪里瞎了」画成了一条曲线。
存疑之处
摘要说「优于压缩感知」，但看 Table I：平均 RMSE 2.111 vs 压缩感知 2.115，是平手；MAPE 1.502% vs 1.776% 有优势但不大，而且只在 6 条光谱上测。这篇的价值不在更准，在换传感器免重训 + 带不确定性，别被摘要的措辞带跑。
其次，「sensor-adaptive」的证据是两块同一族 SiGe 阵列之间互换，不是真正跨器件类型，结论比听起来窄。全部实验在 1300–1600 nm 近红外，可见光波段零验证。最后，这是纯光谱、没有空间维度——想搬进相机，成像那一半得自己写。
arXiv： 2607.05636（Siyavashi, Schlipf, Reiter, Fischer, Wenger, Herglotz）