HSIDMamba：探索用于高光谱去噪的双向状态空间模型
计算机视觉与模式识别
2025-09-16 v2
摘要
在高光谱图像（HSI）去噪中有效建模全局上下文信息至关重要，但使用卷积或 Transformer 的现有方法仍面临局部性或计算效率的限制。受具有近线性计算复杂度和高效长程建模能力的新兴选择性状态空间模型（Mamba）启发，我们提出了一种名为 HSIDMamba（HSDM）的新型 HSI 去噪网络。HSDM 旨在为 HSI 去噪有效且高效地利用潜在的空间-光谱依赖关系的捕获。具体而言，HSDM 由多个高光谱连续扫描块（HCSB）组成，以增强空间-光谱交互。HCSB 连接前向和后向扫描，并通过状态空间模型（SSM）增强来自八个方向的信息，强化了 HSDM 的上下文表示学习并更有效地提高了去噪性能。此外，为了增强光谱信息的利用并减轻由长程扫描引起的退化问题，引入了光谱注意力机制。针对 HSI 去噪基准的广泛评估验证了 HSDM 的优越性能，实现了 SOTA 性能，且效率比 Transformer 方法 SERT 高出 31%。
引用
@article{arxiv.2404.09697,
title = {HSIDMamba: Exploring Bidirectional State-Space Models for Hyperspectral Denoising},
author = {Yang Liu and Jiahua Xiao and Xiang Song and Yu Guo and Peilin Jiang and Haiwei Yang and Fei Wang},
journal= {arXiv preprint arXiv:2404.09697},
year = {2025}
}