高维噪声到低维流形：面向退化高光谱图像分类的流形空间扩散框架
计算机视觉与模式识别
2026-04-30 v1
摘要
最近，高光谱图像(HSI)分类受到越来越多的关注。然而，HSI数据本质上是高维但低秩的，具有判别性信息集中在低维潜在流形上。在实际遥感场景中，多种退化因素的叠加会破坏这一内在流形结构，使样本偏离其原始低维分布，引入大量冗余且非判别性变化。为更好地处理这一挑战，本文提出一种面向退化高光谱图像分类的流形空间扩散框架(MSDiff)。具体而言，本文方法首先通过判别性光谱-空间重建任务，将高维受退化HSI数据映射到紧凑的低维流形上，保留类别语义并减少冗余变化。随后应用基于扩散的生成模型对流形内的光谱-空间分布进行正则化，实现对残余退化的渐进式细化和稳定化。本文方法的关键优势在于直接在低维流形上进行扩散式分布建模，有效地将退化引起的干扰从内在判别结构中解耦，增强了在复杂退化下的表示稳定性。实验结果表明，在多种复合退化设置下，MSDiff在多个高光谱基准数据集上 consistently 优于现有方法。代码将在https://github.com/yangboxiang1207/MSDiff提供。
引用
@article{arxiv.2604.26279,
title = {High-Dimensional Noise to Low-Dimensional Manifolds: A Manifold-Space Diffusion Framework for Degraded Hyperspectral Image Classification},
author = {Boxiang Yang and Ning Chen and Xia Yue and Yichang Luo and Yingbo Fan and Haoyuan Zhang and Haoyu Ma and Jun Yue and Shanjun Mao},
journal= {arXiv preprint arXiv:2604.26279},
year = {2026}
}