암시적 신경 스펙트럼 혼합 모델을 기반으로 한 하이퍼스펙트럼 원격 감지 이미지 합성

하이퍼스펙트럼 이미지(HSI) 합성은 새로운 연구 주제로, 센서 제한을 극복하고 고해상도 원격 감지 HSI를 저비용으로 획득하는 데 큰 가치가 있습니다. 그러나 최근 연구에서 사용된 선형 스펙트럼 혼합 모델은 현실 세계의 하이퍼스펙트럼 이미징 프로세스를 지나치게 단순화하여 이미지 노이즈와 객체 스펙트럼의 다중 반사를 효과적으로 모델링하기 어렵게 만듭니다. 하이퍼스펙트럼 데이터 합성의 전제 조건으로서 비선형 스펙트럼 혼합의 정확한 모델링은 오랫동안 도전 과제가 되어왔습니다. 이러한 어려움을 고려하여, 본 논문에서는 암시적 신경 표현(INRs)을 기반으로 한 비선형 스펙트럼 혼합 모델링을 위한 새로운 방법을 제안합니다. 제안된 방법은 INR에서 학습하고 각 픽셀의 스펙트럼 서명과 주변 환경에 따라 서로 다른 혼합 모델을 적응적으로 구현합니다. 위의 신경 혼합 모델을 기반으로 HSI 합성을 위한 새로운 방법도 제안합니다. RGB 이미지를 입력으로 받아, 우리 방법은 정확하고 물리적으로 의미 있는 HSI를 생성할 수 있습니다. 부수적인 생성물로, 우리 방법은 서브픽셀 수준의 스펙트럼 풍부함과 태양 대기 서명도 생성할 수 있습니다. 전체 프레임워크는 자기 지도 방식으로 엔드 투 엔드로 훈련됩니다. 우리는 다양한 공중 가시 적외선 이미징 분광기(AVIRIS) 데이터를 기반으로 HSI 합성을 위한 새로운 데이터 세트를 구성했습니다. 우리 방법은 평균 피크 신호 대 잡음 비율(MPSNR) 52.36 dB를 달성하며, 다른 최신 하이퍼스펙트럼 합성 방법보다 우수합니다. 마지막으로, 우리 방법은 데이터 기반의 다운스트림 응용 프로그램에 큰 이점을 제공합니다. 저비용 RGB 이미지에서 직접 생성된 HSI와 풍부함을 사용하여, 제안된 방법은 특히 제한된 훈련 샘플을 가진 HSI 분류 작업의 정확도를 크게 향상시킵니다.