HSIDMamba: Exploring Bidirectional State-Space Models for Hyperspectral Denoising

📄 arXiv: 2404.09697v2 📥 PDF

作者: Yang Liu, Jiahua Xiao, Xiang Song, Yu Guo, Peilin Jiang, Haiwei Yang, Fei Wang

分类: cs.CV

发布日期: 2024-04-15 (更新: 2025-09-15)

💡 一句话要点

提出HSIDMamba以解决高光谱图像去噪问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱五：交互与反应 (Interaction & Reaction)

关键词: 高光谱图像 去噪 状态空间模型 光谱注意力 深度学习 计算机视觉 遥感 图像处理

📋 核心要点

  1. 现有的高光谱图像去噪方法在全局上下文建模上存在局限，导致去噪效果不佳。
  2. 本文提出的HSIDMamba网络通过高光谱连续扫描块有效捕捉空间-光谱依赖关系，提升去噪性能。
  3. 实验结果显示，HSIDMamba在HSI去噪基准测试中表现优异，超越了SERT方法31%的效率。

📝 摘要（中文）

有效建模高光谱图像（HSI）去噪中的全局上下文信息至关重要，但现有基于卷积或变换器的方法仍面临局部化或计算效率的限制。受新兴的选择性状态空间模型（Mamba）启发，本文提出了一种新颖的HSI去噪网络HSIDMamba（HSDM）。HSDM旨在有效捕捉潜在的空间-光谱依赖关系，包含多个高光谱连续扫描块（HCSB），通过状态空间模型（SSM）增强信息的双向扫描，提升上下文表示学习和去噪性能。此外，采用光谱注意力机制以增强光谱信息的利用，减轻长距离扫描带来的降级问题。大量评估表明，HSDM在HSI去噪基准测试中表现优异，超越了变换器方法SERT 31%的效率。

🔬 方法详解

问题定义：本文旨在解决高光谱图像去噪中的全局上下文建模问题。现有方法多依赖卷积或变换器，面临局部化和计算效率的挑战。

核心思路：论文提出HSIDMamba网络，利用高光谱连续扫描块（HCSB）来增强空间-光谱交互，采用状态空间模型（SSM）实现信息的双向扫描，从而提升去噪效果。

技术框架：HSIDMamba的整体架构包括多个HCSB模块，这些模块通过前向和后向扫描连接，增强来自八个方向的信息流动，形成高效的上下文表示学习。

关键创新：最重要的创新在于引入了选择性状态空间模型（Mamba），使得计算复杂度接近线性，并有效建模长程依赖关系，与传统方法相比，显著提升了去噪性能。

关键设计：在网络设计中，采用了光谱注意力机制以增强光谱信息的利用，设置了适当的损失函数以优化去噪效果，同时确保了模块间的信息流动和交互。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，HSIDMamba在高光谱图像去噪基准测试中表现优异，达到了最先进的性能，且在效率上超越了变换器方法SERT 31%。这一显著提升证明了其在实际应用中的有效性和优势。

🎯 应用场景

该研究在高光谱图像处理领域具有广泛的应用潜力，尤其是在遥感、医学成像和环境监测等领域。通过提升去噪效果，HSIDMamba能够为高光谱图像的后续分析提供更清晰的基础数据，进而推动相关领域的研究和应用发展。

📄 摘要（原文）

Effectively modeling global context information in hyperspectral image (HSI) denoising is crucial, but prevailing methods using convolution or transformers still face localized or computational efficiency limitations. Inspired by the emerging Selective State Space Model (Mamba) with nearly linear computational complexity and efficient long-term modeling, we present a novel HSI denoising network named HSIDMamba (HSDM). HSDM is tailored to exploit the capture of potential spatial-spectral dependencies effectively and efficiently for HSI denoising. In particular, HSDM comprises multiple Hyperspectral Continuous Scan Blocks (HCSB) to strengthen spatial-spectral interactions. HCSB links forward and backward scans and enhances information from eight directions through the State Space Model (SSM), strengthening the context representation learning of HSDM and improving denoising performance more effectively. In addition, to enhance the utilization of spectral information and mitigate the degradation problem caused by long-range scanning, spectral attention mechanism. Extensive evaluations against HSI denoising benchmarks validate the superior performance of HSDM, achieving state-of-the-art performance and surpassing the efficiency of the transformer method SERT by 31%.