面向遥感高光谱图像模拟的潜在表示学习框架
计算机视觉与模式识别
2026-03-24 v1 机器学习
图像与视频处理
摘要
合成高光谱图像（HSI）生成对于大规模仿真、算法开发和任务设计至关重要，但传统的辐射传递模型计算昂贵且常限于光谱级输出。本文提出一种基于潜在表示的框架，用于高光谱仿真，该框架学习高光谱数据的潜在生成表示。该方法支持光谱级和空间-光谱仿真，可采用直接的单步骤公式或采用变分自编码器（VAE）预训练结合参数到潜在空间插值的双步骤策略进行训练。在 PROSAIL 模拟植被数据和 Sentinel-3 OLCI 影像上的实验表明，该方法在重建精度、光谱保真度和对真实空间变异的鲁棒性方面优于经典回归基仿真器。我们进一步表明，仿真的 HSI 在下游生物物理参数检索中保持良好性能，这凸显了仿真数据对遥感应用的实际相关性。
引用
@article{arxiv.2603.21911,
title = {A Latent Representation Learning Framework for Hyperspectral Image Emulation in Remote Sensing},
author = {Chedly Ben Azizi and Claire Guilloteau and Gilles Roussel and Matthieu Puigt},
journal= {arXiv preprint arXiv:2603.21911},
year = {2026}
}