空间谱总变化（SSTV）模型已被广泛用作高光谱图像（HSI）的有效正规化，用于各种应用，例如混合噪声去除。但是，由于SSTV统一地计算局部空间差异，因此很难消除噪声，同时保留具有细边和纹理的复杂空间结构，尤其是在高噪声强度的情况下。为了解决这个问题，我们提出了一种称为Graph-SSTV（GSSTV）的新电视型正则化，该图从噪声HSIS明确反映了目标HSI的空间结构，并结合了基于此图的加权空间差异操作员。此外，我们将混合噪声删除问题作为涉及GSSTV的凸优化问题，并基于原始的双重分裂方法开发有效的算法来解决此问题。最后，我们通过消除混合噪声的实验与现有的HSI正则化模型相比，证明了GSSTV的有效性。源代码将在https://www.mdi.c.titech.ac.ac.jp/publications/gsstv上找到。

知识蒸馏是一种有效的方法，用于训练自动驾驶所需的紧凑型识别者。关于图像分类的最新研究表明，在广泛的数据点上匹配的学生和老师对于提高蒸馏的性能至关重要。这个概念（称为函数匹配）适合驾驶场景识别，通常可以提供几乎无标记的数据。在这项研究中，我们通过实验研究了使用如此大量的未标记数据进行蒸馏的影响，以在自主驾驶的结构化预测任务中进行学生模型的性能。通过广泛的实验，我们证明了紧凑型学生模型的表现可以大大提高，甚至可以通过知识蒸馏和大量未标记的数据来匹配大规模教师的表现。