GAUSS：具有空间平滑性的高光谱解混引导式编码器-解码器架构

在近年的高光谱解混（HU）文献中，深度学习（DL）的应用已变得更为突出，尤其是自编码器（AE）架构。我们提出了一种分离架构，并使用丰度的伪真值来引导“解混网络”（UN）的优化。在 UN 之前，提出了一个“近似网络”（AN），其将改善中心像素与其邻域之间的关联。因此，由于 AN 的输出是 UN 的输入且作为“混合网络”（MN）的参考，它将增强丰度中的空间相关性。在具有空间平滑性的高光谱解混引导式编码器-解码器架构（GAUSS）中，我们提出使用独热编码的丰度作为伪真值来引导 UN；该丰度由 k-means 算法计算以避免使用先验 HU 方法。此外，我们通过引入 UN 生成的丰度，相对于标准 AE 用于 HU 的情形，解除对 MN 的单层约束。其次，我们使用 GAUSS 方法对预训练网络进行了两种修改实验。在 GAUSS$_\textit{blind}$ 中，我们将 UN 与 MN 拼接以将重建误差梯度反向传播至编码器。然后，在 GAUSS$_\textit{prime}$ 中，将具有可靠丰度结果的信号处理（SP）方法的丰度结果用作 GAUSS 架构的伪真值。根据四个实验数据集的定量与图形结果，这三种架构均超越或持平于来自 DL 与 SP 领域的现有 HU 算法性能。