SWAN：面向 hyperspectral 图像去混合的自监督小波神经网络
计算机视觉与模式识别
2025-10-28 v1
摘要
本文提出SWAN：一种三阶段、自监督小波神经网络，用于从 hyperspectral 图像中联合估计端成员和丰度。首先，将连续且重叠的 hyperspectral 波段图像扩展到双正交小波基底空间，该空间提供稀疏、分布式且多尺度的表征。其思想是利用从稀疏表征中获得的不变性和协变特征，构建自监督学习范式。第一阶段，SWANencoder 将输入小波系数映射到紧凑的低维潜在空间。第二阶段，SWANdecoder 使用所得潜在表征重构输入小波系数。有趣的是，第三阶段 SWANforward 学习 hyperspectral 图像的物理规律。我们在图像获取域中构建三阶段联合损失函数，该损失函数无需真实标签，即可实现自监督训练。采用 Adam 优化所提出的损失函数，同时引入带有 0.3 概率 dropout 的 Sigmoid，以避免可能的过拟合。核正则化约束端成员系数的幅度并保持其空间变化。SWANencoder 的输出在推断时代表估计的丰度图，而 SWANdecoder 的权重用于提取端成员。我们在两个具有不同信噪比的合成数据集以及三个真实基准 hyperspectral 数据集上进行实验，与多个最先进的神经网络基于去混合方法进行比较。定性、定量以及消融结果均表明，通过学习鲁棒的去混合函数，以及促进自监督和紧凑网络参数，实现了实际应用中的性能提升。
引用
@article{arxiv.2510.22607,
title = {SWAN: Self-supervised Wavelet Neural Network for Hyperspectral Image Unmixing},
author = {Yassh Ramchandani and Vijayashekhar S S and Jignesh S. Bhatt},
journal= {arXiv preprint arXiv:2510.22607},
year = {2025}
}