SSUMamba：用于高光谱图像去噪的空间-频谱选择性状态空间模型
图像与视频处理
2024-08-06 v7 计算机视觉与模式识别
机器学习
摘要
高光谱图像（HSI）因内部成像机制和环境因素产生噪声，去噪是关键的预处理步骤。长程空间-频谱相关性建模有助于 HSI 去噪，但往往伴随高计算复杂度。基于状态空间模型（SSM）的 Mamba 以其卓越的长程依赖建模能力和计算效率而著名。基于此，我们引入一种高效的空间-频谱 UMamba（SSUMamba）用于 HSI 去噪，核心组件为空间-频谱连续扫描（SSCS）Mamba。SSCS Mamba 以六种不同的顺序交替扫描行、列和波段以生成序列，并利用双向 SSM 利用长程空间-频谱依赖性。在每种顺序中，通过相邻扫描之间的图像重排确保空间-频谱连续性。此外，嵌入 3D 卷积以增强局部空间-频谱建模。实验表明，SSUMamba 在去噪效果上优于 transformer-based 方法，同时每批次的内存消耗更低。源码可在 https://github.com/lronkitty/SSUMamba 查阅。
引用
@article{arxiv.2405.01726,
title = {SSUMamba: Spatial-Spectral Selective State Space Model for Hyperspectral Image Denoising},
author = {Guanyiman Fu and Fengchao Xiong and Jianfeng Lu and Jun Zhou},
journal= {arXiv preprint arXiv:2405.01726},
year = {2024}
}