基于深度均衡网络的高光谱混合问题
计算机视觉与模式识别
2026-04-14 v1
摘要
高光谱混合（HU）是分析高光谱图像的关键技术，但实现精准混合仍具挑战性。传统方法难以有效建模复杂的光谱-空间特征，深度学习方法则缺乏物理可解释性。虽然展开方法虽提供了网络可解释性，但未充分利用光谱-空间信息，且在反向传播过程中产生高内存消耗和数值精度问题。为解决这些限制，我们提出了DEQ-Unmix方法，通过将丰度估计问题表述为深度均衡模型，实现通过隐函数微分的高效常数内存训练。该方法用可训练卷积网络取代数据重构项的梯度算子，以捕获光谱-空间信息。凭借隐函数微分，DEQ-Unmix实现了高效常数内存反向传播。在合成数据和两个真实数据集上的实验表明，DEQ-Unmix在保持常数内存消耗的同时，实现了卓越的混合性能。
引用
@article{arxiv.2604.11279,
title = {A Deep Equilibrium Network for Hyperspectral Unmixing},
author = {Chentong Wang and Jincheng Gao and Fei Zhu and Jie Chen},
journal= {arXiv preprint arXiv:2604.11279},
year = {2026}
}