超越重建：重建到向量扩散用于 hyperspectral 异常检测
计算机视觉与模式识别
2026-04-15 v2
摘要
虽然 hyperspectral 异常检测 (HAD) 在复杂场景中擅长识别稀疏目标，但现有模型仍陷入标量“重建-终点”范式。这种对模糊标量残差的依赖持续导致空间下采样时出现亚像素级异常消失，并在未纯净异常污染训练权重时引发严重的确认偏差。本文提出重建到向量扩散 (R2VD)，从根本上重新定义重建作为流形净化起点，以建立新的基于残差引导的生成动力学范式。我们的框架引入四阶段流程：(1) 物理先验提取 (PPE) 阶段通过双流统计引导缓解早期确认偏差；(2) 引导流形净化 (GMP) 阶段利用全景自编码器 (OCA) 提取净化残差图，同时保留脆弱的亚像素拓扑；(3) 残差得分建模 (RSM) 阶段，一个扩散转换器 (DiT) 受物理光谱防火墙 (PSF) 保护，有效隔离跨光谱泄漏；(4) 向量动力学推断 (VDI) 阶段通过评估高维向量干扰模式而非常规标量误差，稳健地将目标从背景中分离。八个数据集上的全面评估表明，R2VD 建立了新的状态-of-the-art，实现卓越的目标可检测性和背景抑制。代码已公开于 https://github.com/Bondojijun/R2VD。
引用
@article{arxiv.2604.11390,
title = {Beyond Reconstruction: Reconstruction-to-Vector Diffusion for Hyperspectral Anomaly Detection},
author = {Jijun Xiang and Tao Wang and Jiayi Wang and Pengxiang Wang and Cheng Chen and Nian Wang},
journal= {arXiv preprint arXiv:2604.11390},
year = {2026}
}