基于3D卷积稀疍编码与投影单形体积最大化的高光谱混合
计算机视觉与模式识别
2025-12-08 v1
摘要
高光谱混合(HSU)旨在将每个像元分离为其组成端成员并估计其对应的丰度分数。本 work 提出一种基于算法展开的网络用于HSU任务，命名为3D卷积稀疍编码网络(3D-CSCNet)，基于3D CSC模型。与现有展开式网络不同，3D-CSCNet在强大的自动编码器(AE)框架内设计。具体而言，为解决3D CSC问题，我们提出一种通过深度算法展开推导的3D CSC模块(3D-CSCB)。给定高光谱图像(HSI)，3D-CSCNet采用3D-CSCB来估计丰度矩阵。采用3D CSC可实现对3D HSI数据立方体中光谱和空间关系的联合学习。估计得到的丰度矩阵随后传递给AE解码器以重建HSI，解码器权重被提取为端成员矩阵。此外，我们提出一种投影单形体积最大化(PSVM)算法用于端成员估计，所得端成员用于初始化3D-CSCNet的解码器权重。在三个真实数据集和一个模拟数据集上进行了大量实验，分别具有三种不同的信噪比(SNR)水平，结果表明3D-CSCNet在准确性和鲁棒性方面优于当前最先进的方法。
引用
@article{arxiv.2512.05674,
title = {Hyperspectral Unmixing with 3D Convolutional Sparse Coding and Projected Simplex Volume Maximization},
author = {Gargi Panda and Soumitra Kundu and Saumik Bhattacharya and Aurobinda Routray},
journal= {arXiv preprint arXiv:2512.05674},
year = {2025}
}