基于频域增强与多尺度建模的混合域协同变换器用于高光谱图像去噪

高光谱图像去噪面临多维度耦合的空间非均匀噪声与光谱相关干扰的挑战。现有深度学习方法大多针对 RGB 图像进行设计，难以有效处理高光谱图像 (HSI) 独特的空间-光谱特征和复杂噪声分布。本文提出一种 HSI 去噪框架，称为混合域协同变换器网络 (Hybrid-Domain Synergistic Transformer, HDST)，基于频域增强和多尺度建模，实现了空间、频域和通道域的三维协同处理。该方法创新性地集成了三个关键机制：(1) 引入带有多带卷积的 FFT 预处理模块，以提取跨带隆相关性并解耦光谱噪声分量；(2) 设计动态跨域注意力模块，通过可学习的门控机制自适应融合空间域纹理特征和频域噪声先验；(3) 构建分层架构，其中浅层通过多尺度空洞卷积捕获全局噪声统计信息，深层通过频域后处理实现细节恢复。在真实和合成数据集上的实验表明，HDST 在保持计算效率的同时显著提升了去噪性能，验证了所提方法的有效性。本研究为解决 HSI 及其他高维视觉数据的复杂噪声耦合问题提供了新的思路和通用框架。代码已公开于 https://github.com/lhy-cn/HDST-HSIDenoise。