考虑光谱变异性建模的扩散后验采样器用于高光谱解混
计算机视觉与模式识别
2025-12-11 v1
摘要
线性光谱混合模型（LMM）提供了一种简洁的形式来分离单个像素中的组成物质（端元）及其对应比例（丰度）。关键挑战在于如何建模光谱先验分布和光谱变异性。先验知识和光谱变异性可以在贝叶斯框架下严格建模，其中丰度的后验估计通过将观测数据与端元先验分布相结合得出。考虑到关键挑战和贝叶斯框架的优势，我们提出了一种使用扩散后验采样器进行半盲解混的新方法，记为DPS4Un，以应对以下挑战：（1）我们将预训练的条件光谱扩散模型视为后验采样器，可以将学习到的端元先验与观测数据相结合以获得精化的丰度分布。（2）我们不是使用现有的光谱库作为先验，这可能引入偏差，而是在超像素内建立基于图像的端元束，用于训练端元先验学习器与扩散模型。超像素确保子场景更加均匀。（3）我们不是使用图像级的数据一致性约束，而是提出了基于超像素的数据保真项。（4）端元初始化为每个超像素区域的高斯噪声，DPS4Un迭代更新丰度和端元，有助于光谱变异性建模。在三个真实世界基准数据集上的实验结果表明，DPS4Un优于最先进的高光谱解混方法。
引用
@article{arxiv.2512.09871,
title = {Diffusion Posterior Sampler for Hyperspectral Unmixing with Spectral Variability Modeling},
author = {Yimin Zhu and Lincoln Linlin Xu},
journal= {arXiv preprint arXiv:2512.09871},
year = {2025}
}