基于贝叶斯全连接张量网络的高光谱-多光谱图像融合
计算机视觉与模式识别
2025-10-22 v1
摘要
张量分解是数据分析的强大工具，已广泛应用于高光谱-多光谱图像融合（HMF）领域。现有基于张量分解的融合方法通常依赖于数据向量化/重塑或对因子张量的排列施加严格限制，阻碍了对空间-光谱结构的保留以及对跨维度相关性的建模。尽管近期采用全连接张量网络（FCTN）分解的最新进展部分缓解了这些限制，但将数据重新组织为更高阶张量的过程仍扰乱了固有的空间-光谱结构。此外，这些方法需要大量手动参数调谐，且对噪声和空间退化不够稳健。为缓解这些问题，我们提出了贝叶斯FCTN（BFCTN）方法。在该概率框架中，构建一种层次稀疏先验，用于刻画物理元素的稀疏性，并建立因子张量之间的联系。该框架显式地建模了空间结构、光谱特征以及局部场景均匀性之间的内在物理耦合。对于模型学习，我们 developed a基于变分贝叶斯推断（VB）和期望最大化（EM）算法的参数估计方法，显著减少了对手动参数调谐的需求。广泛的实验表明，BFCTN不仅实现了引人注目的数据融合精度和强鲁棒性，还在复杂的实际场景中表现出实用性。
引用
@article{arxiv.2510.18400,
title = {Bayesian Fully-Connected Tensor Network for Hyperspectral-Multispectral Image Fusion},
author = {Linsong Shan and Zecan Yang and Laurence T. Yang and Changlong Li and Honglu Zhao and Xin Nie},
journal= {arXiv preprint arXiv:2510.18400},
year = {2025}
}