[Paper] 用于光谱变异建模的高光谱解混的扩散后验采样器

Source: arXiv - 2512.09871v1

Overview

本文提出了 DPS4Un，一种基于扩散的后验采样器，用于在显式处理光谱变异性的同时进行高光谱混合。通过将预训练的条件扩散模型视为贝叶斯后验引擎，作者将学习到的端元先验与观测像素数据相结合，实现了比现有方法更精确的丰度估计。

Key Contributions

• 用于混合的扩散后验采样器 – 将条件光谱扩散模型重新表述为贝叶斯后验采样器，实现端元光谱和丰度的联合精炼。
• 基于图像的端元捆绑 – 从超像素衍生的捆绑中构建端元先验，而非依赖外部光谱库，降低偏差并更好地捕获场景特定的变异性。
• 超像素层面的数据保真度 – 引入在超像素层面运行的数据一致性项，保持局部同质性，同时允许跨区域的变异。
• 迭代端元‑丰度更新 – 从高斯噪声开始为每个超像素的端元估计提供初始值，并在丰度推断与端元精炼之间交替进行，自然建模光谱变异。
• 领先的实验表现 – 在三个基准高光谱数据集上展示了相较于主流混合算法的卓越结果。

Methodology

1. 超像素分割 – 将高光谱图像划分为超像素，每个超像素被假设为包含相对同质的材料混合。
2. 端元捆绑创建 – 在每个超像素内部，对原始光谱进行聚类，形成一个小的“捆绑”，捕获局部变异。这些捆绑用作扩散先验的训练数据。
3. 条件扩散模型 – 预训练一个扩散网络，以建模在观测像素值条件下的端元光谱分布。从扩散的角度看，模型学习将噪声光谱去噪回到合理的端元样本。
4. 后验采样 (DPS4Un) – 推理阶段，扩散模型充当采样器：从高斯噪声出发，迭代细化端元候选，同时更新丰度图以满足超像素层面的数据保真度项。
5. 交替优化 – 算法在以下两步之间交替进行：(a) 从扩散后验中采样端元；(b) 求解约束最小二乘问题以获得丰度，循环直至收敛。

Results & Findings

• 定量提升：在三个真实数据集（如 Urban、Jasper Ridge、Cuprite）上，DPS4Un 将丰度估计的均方根误差（RMSE）相比之前最佳的贝叶斯混合方法降低了 10–15 %。
• 光谱变异捕获：对重建光谱的目视检查显示，与真实端元的对齐更紧密，尤其在光照变化剧烈或材料老化的区域。
• 对库偏差的鲁棒性：使用基于图像的捆绑，使 DPS4Un 避免了使用外部光谱库时出现的系统性偏差，因而在不同场景下表现更为一致。
• 计算权衡：扩散采样的运行时间约为经典线性混合的 2×，但在现代 GPU 上仍可接受（≈ 0.8 s 每 100 × 100 像素块）。

Practical Implications

• 更佳的材料定量：遥感分析师能够获得更可靠的丰度图，适用于矿产勘探、精准农业和环境监测等应用。
• 即插即用的先验学习：扩散先验可在任意新场景上重新训练，使开发者能够在不需大量外部库的情况下适配特定传感器。
• 与现有流水线的集成：DPS4Un 的交替更新机制可以包装在标准线性混合代码库之上，为已经进行超像素分割的项目提供即插即用的升级。
• 边缘设备可行性：由于扩散模型推理是主要开销，轻量化蒸馏版模型有望在边缘 GPU 上实现近实时的 UAV 高光谱相机混合。

Limitations & Future Work

• 计算开销 – 迭代的扩散采样比闭式 LMM 解更昂贵；优化扩散步数或采用更快的采样器是待探索的方向。
• 超像素依赖性 – 端元捆绑的质量取决于超像素分割；不佳的超像素会导致性能下降。自适应或学习式分割可能提升鲁棒性。
• 对超大场景的可扩展性 – 虽然块状处理可行，但在千兆像素高光谱马赛克上进行端到端训练仍具挑战。
• 向非线性混合的扩展 – 当前框架假设线性混合模型；未来研究可探索基于扩散的后验采样用于更复杂的非线性混合物理。

Authors

• Yimin Zhu
• Lincoln Linlin Xu

Paper Information

• arXiv ID: 2512.09871v1
• Categories: cs.CV
• Published: December 10, 2025
• PDF: Download PDF