面向捆绑终端材料的潜在Dirichlet变分自编码器进行高光谱解混
计算机视觉与模式识别
2025-11-25 v1
摘要
高光谱图像捕获丰富的光谱信息，使其能够进行像素级材料识别；然而，光谱混合常常遮蔽纯材料特征。为解决这一挑战，我们提出了潜在Dirichlet变分自编码器（LDVAE-T）进行高光谱解混。该模型将变换架构的全局上下文建模能力与潜在空间中施加的Dirichlet先验所结合。这种先验自然强制执行和为1和非负性条件，这些条件是丰度估计中必不可少的，从而提高了预测混合比的质量。LDVAE-T的一个关键贡献是将材料视为捆绑终端材料，而不是依赖固定的真实光谱。在本方法中，解码器会为每个终端材料和每个切片预测一个平均光谱，以及一个结构化（分段）协方差，用于捕获相关的光谱变异性。通过变换编码器获得的Dirichlet分布的丰度，对这些学习的捆绑进行混合，以便该模型能够代表内在材料的变异性，同时保持物理可解释性。我们在三个基准数据集上进行评估，分别为Samson、Jasper Ridge和HYDICE Urban，结果表明LDVAE-T在丰度估计和终端材料提取方面 consistently优于最先进的模型，具体测量指标为均方根误差和光谱角距离。
关键词
引用
@article{arxiv.2511.17757,
title = {Latent Dirichlet Transformer VAE for Hyperspectral Unmixing with Bundled Endmembers},
author = {Giancarlo Giannetti and Faisal Z. Qureshi},
journal= {arXiv preprint arXiv:2511.17757},
year = {2025}
}