用于城市超光谱分割的可学习量子效率滤波器
计算机视觉与模式识别
2026-04-17 v1
摘要
超光谱感测为城市驾驶场景理解提供丰富的光谱信息，但其高维度带来了解释和高效学习的挑战。我们提出可学习量子效率（LQE），一种受物理启发的、可解释的降维方法，通过参数化光滑的高阶光谱响应函数来模拟合理的传感器量子效率曲线。不同于传统方法或不受约束的可学习层，LQE 强制执行物理驱动的约束，包括单一主峰、光滑响应和有界带宽。该表述产生紧凑的光谱表征，既保留判别性信息，又在语义分割模型（SSMs）中完全可微分和端到端可训练。我们在三个公开的多类城市驾驶数据集上进行系统评估，将 LQE 与六种传统和七种可学习的基准降维方法在六种 SSMs 上进行比较。在所有 SSMs 和配置下，LQE 获得最高的平均 mIoU，在 HyKo、HSI-Drive 和 Hyperspectral City 上的分别比传统方法提高 2.45%、0.45% 和 1.04%，比可学习方法提高 1.18%、1.56% 和 0.81%。LQE 保持强大的参数效率（12--36 个参数 vs 51--22K 个竞争方法），并具备竞争力的推理延迟。消融研究表明，低阶配置最优，所学光谱滤波器收敛至数据集内在的波长模式。这些结果表明，物理信息驱动的光谱学习既提升性能又增强可解释性，为汽车视觉系统中的超光谱感知与数据驱动的多光谱传感器设计提供了原则性的桥梁。
引用
@article{arxiv.2603.26528,
title = {Learnable Quantum Efficiency Filters for Urban Hyperspectral Segmentation},
author = {Imad Ali Shah and Jiarong Li and Ethan Delaney and Enda Ward and Martin Glavin and Edward Jones and Brian Deegan},
journal= {arXiv preprint arXiv:2603.26528},
year = {2026}
}