面向高光谱解混合的Transformer引导内容自适应图学习
计算机视觉与模式识别
2025-09-04 v1
摘要
高光谱解混合（HU）旨在将遥感图像中每个混合像素分解为一组端成员及其对应的丰度。尽管在该领域使用深度学习取得了显著进展，但大多数方法无法同时表征全局依赖性和局部一致性，难以保留长程相互作用和边界细节。本文提出一种新型Transformer引导内容自适应图解混合框架（T-CAGU），通过采用Transformer捕获全局依赖性，并引入内容自适应图神经网络以增强局部关系。不同于先前工作，T-CAGU整合了多个传播阶数，以动态学习图结构，确保对噪声的鲁棐性。此外，T-CAGU利用图残差机制保留全局信息并稳定训练。实验结果表明，其优于现有方法。我们的代码已公开于 https://github.com/xianchaoxiu/T-CAGU。
关键词
引用
@article{arxiv.2509.03376,
title = {Transformer-Guided Content-Adaptive Graph Learning for Hyperspectral Unmixing},
author = {Hui Chen and Liangyu Liu and Xianchao Xiu and Wanquan Liu},
journal= {arXiv preprint arXiv:2509.03376},
year = {2025}
}