A spatial-spectral sparse dynamic graph learning network for hyperspectral image denoising

Hailiang Ye

doi:10.1016/j.neucom.2025.132198

A spatial-spectral sparse dynamic graph learning network for hyperspectral image denoising

2025-11-25

0

PRE

AI

DOI：10.1016/j.neucom.2025.132198

原文链接

原文求助

摘要

En 中文

高光谱图像（HSI）去噪是一项关键任务，对后续的高光谱分析产生显著影响。然而，以往的基于深度学习的高光谱去噪方法往往难以捕捉稀疏的长距离空间相关性，限制了其有效利用全局关键空间-光谱信息的能力，并导致细节丢失和边缘模糊等问题。本文提出了一种基于图神经网络（GNNs）的新型高光谱去噪框架，称为空间-光谱稀疏动态图学习网络（SSDGLN），该框架能够动态整合全局空间-光谱信息并有效利用全局光谱相关性。其核心是一个基于可学习阈值的空-谱动态图（SSDG）模块。该模块首先构建一个基于可学习阈值的稀疏图注意力（LTGA）块，有效建模空间位置中的稀疏长距离相关性并收集全局相似的谱特征。随后，LTGA与动态卷积结合，以捕捉全局上下文特征和微妙的局部特征。此后，一个全局多尺度特征学习模块利用不同尺度的SSDG来增强边缘细节。此外，通过堆叠具有密集连接的SSDG模块，设计了一个密集的空间-光谱特征提取模块，以促进多级特征复用。模拟数据和真实数据的实验均验证，SSDGLN在定量指标和视觉保真度方面优于主流的高光谱去噪方法，为将GNN应用于高光谱去噪提供了可靠策略。

A spatial-spectral sparse dynamic graph learning network for hyperspectral image denoising

摘要

期刊

机构

引用论文