利用数据分布得分进行高光谱异常检测
计算机视觉与模式识别
2026-01-21 v1
摘要
高光谱图像（HSI）是一种包含丰富光谱信息的图像。作为一种真实世界数据，高光谱图像中的高维光谱实际上仅由少数因素决定，例如化学成分和光照。因此，高光谱图像中的光谱极有可能满足流形假设。基于高光谱流形假设，我们提出了一种新颖的高光谱异常检测方法（命名为ScoreAD），该方法利用了由基于得分的生成模型（SGM）学习到的数据分布的时间相关梯度场（即得分）。我们的方法首先在高光谱图像的全部光谱集上训练SGM。在测试时，每个光谱通过一个扰动核，然后将得到的扰动光谱输入训练好的SGM以获得估计得分。HSI的流形假设认为背景光谱位于一个或多个低维流形上。相反，异常光谱由于其独特的光谱特征，被视为不符合背景流形的离群点。基于它们在流形分布上的这一根本差异，我们利用生成式SGM实现了高光谱异常检测。在四个高光谱数据集上的实验证明了所提方法的有效性。代码可在https://github.com/jiahuisheng/ScoreAD获取。
引用
@article{arxiv.2601.12379,
title = {Utilizing the Score of Data Distribution for Hyperspectral Anomaly Detection},
author = {Jiahui Sheng and Yidan Shi and Shu Xiang and Xiaorun Li and Shuhan Chen},
journal= {arXiv preprint arXiv:2601.12379},
year = {2026}
}