Chandrajit Bajaj是计算可视化中心的主任，计算与工程科学研究所（ICES）和德克萨斯大学奥斯汀分校的计算机科学教授，担任可视化计算应用数学主席，还是数学、计算神经科学和电子工程学科的附属教员。他目前是国际计算几何与应用杂志和ACM计算调查的编辑委员会成员，也是SIAM成像科学期刊的编辑成员。他被印度理工学院（IIT，Delhi）授予杰出校友奖。他还是美国科学促进会（AAAS）会员，计算机协会会员（ACM），电气和电子工程师协会（IEEE）会员，以及工业与应用数学学会（SIAM）会员。
通过传感器，机器能够得到人类不可见的光谱范围上的信息。RGB和多光谱（multispectral image, MSI）传感器捕获可见电磁波谱（400nm~700nm），近、中、远红外和高光谱成像（HSI）捕获人类不可见光谱（700nm~1mm）的各个部分。对某个对象同时采取其MSI和HSI信息并进行融合和恢复，进而阐明复杂场景的可见和不可见几何属性、材料属性是一种有着广泛应用场景的技术，包括夜视，自动驾驶车辆中的导航/控制，通过卫星进行地形感测，从活检组织中早期检测癌症等。
在前人的工作Fusing hyperspectral and multispectral images via coupled sparse tensor factorization中，他们使用稀疏张量分解来对HSI和MSI图像进行融合，得到超分辨率图像。然而这个方法只能采用已知模糊核来进行计算。因此，Chandrajit Bajaj教授在Blind Spatio-Spectral Image Fusion with Graph Laplacian Regularization里提出了进一步的方法，能够使用估计未知模糊核来同时对全频段融合出超分辨率图像。该方法先通过2D傅里叶变换将输入HSI和MSI转化成空间谱（spatio-spectral）稀疏表示，并使用从相似数据集学习的方法修复可能的损坏区域，然后用BGLRF(Blind Graph Laplacian Based Fusion)算法对样本进行融合，恢复出数字增强的超分辨率图像。
由于HSI和MSI数据流都是非常庞大的，我们关心的可能只是一小部分，所以有必要进行采样。对此，Chandrajit Bajaj教授提出了一种自适应采样算法，首先使用Gaussian mixtures并用EM算法学习出HSI的空间分布，然后使用基于两级随机和抽样杠杆分数的重要度采样，获取我们感兴趣的一部分数据来执行进一步的融合。该方法提供了精确度与速度权衡和采样边界，能够将合理地压缩多个传感器的数据，支持可能需要的分类等任务。
最后，他展示了使用MSI与HSI融合做出的星空图像，可以从中寻找未知的星系运行等有趣的天文现象，展示了该领域的广阔前景和无穷魅力。
