Beyond dimensionality explosion: A latent diffusion framework for hyperspectral image classification

Meiyun Lu

doi:10.1016/j.neucom.2025.131249

Beyond dimensionality explosion: A latent diffusion framework for hyperspectral image classification

2025-08-09

0

PRE

AI

DOI：10.1016/j.neucom.2025.131249

原文链接

原文求助

摘要

En 中文

近年来，基于深度生成学习的超光谱图像（HSI）分类方法取得了显著进展。然而，超光谱数据固有的高维特性与生成方法的建模复杂性相结合，往往导致这些方法在特征提取过程中遭受维度灾难。为解决此问题，本文提出了一种基于潜在扩散模型的HSI分类与生成框架。该框架通过低维潜在空间中的生成扩散机制模拟和重构光谱-空间高维特征分布，并通过潜在特征实现特征提取。该方法有效避免了特征维度爆炸，同时实现了高效的光谱-空间特征融合。具体而言，该框架由一个光谱-空间扩散模块和一个基于注意力的分类模块组成。光谱-空间扩散模块首先将高维HSI数据映射到低维潜在空间，在该空间中进行光谱-空间扩散建模和噪声注入。随后，通过反向去噪过程恢复高维特征，促进空间和光谱信息的有效融合。训练完成后，从潜在空间提取的低维特征直接输入分类模块。该方法的核心优势在于其潜在空间扩散建模和特征提取，能够有效整合光谱-空间信息同时避免维度爆炸，从而提升分类性能。在多个公开数据集上的实验结果表明，本框架优于以往的最优方法。

Keyword:

hyperspectral image classification

latent diffusion model

spectral-spatial feature fusion

dimensionality reduction

generative modeling

Beyond dimensionality explosion: A latent diffusion framework for hyperspectral image classification

摘要

期刊

机构

引用论文