用于多端元光谱混合分析中库增强的深度生成模型
计算机视觉与模式识别
2022-11-28 v2
摘要
多端元光谱混合分析(MESMA)是在考虑端元(EMs)可变性的情况下执行光谱解混(SU)的主流方法之一。它使用先验获取的光谱特征库来表示图像中的每个 EM。然而，现有的光谱库往往规模较小，无法恰当捕捉实际场景中每个 EM 的可变性，从而影响了 MESMA 的性能。在本文中，我们提出一种库增强策略以增加现有光谱库的多样性，从而提升其表示真实图像中物质的能力。首先，我们利用深度生成模型的强大能力，基于现有库中的光谱特征学习 EMs 的统计分布。之后，可从学习到的 EM 分布中采样新样本，用于增强光谱库，改善 SU 过程的整体质量。使用合成与真实数据的实验结果证明了所提方法即使在库失配条件下也具有优越性能。
引用
@article{arxiv.1909.09741,
title = {Deep Generative Models for Library Augmentation in Multiple Endmember Spectral Mixture Analysis},
author = {Ricardo Augusto Borsoi and Tales Imbiriba and José Carlos Moreira Bermudez and Cédric Richard},
journal= {arXiv preprint arXiv:1909.09741},
year = {2022}
}