.png){kind=icon}
返回
PixDiff: Multiresolution Diffusion Network With Pixelization for Hyperspectral Anomaly Detection
.png){kind=icon}
PRE
AI
DOI：10.1109/TGRS.2026.3657039.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高光谱异常检测（HAD）是高光谱图像（HSI）处理中的一个关键领域，旨在识别未知的异常目标。由于异常目标通常比背景更难被网络学习，一种流行的基于深度学习的范式是通过重构误差来区分异常目标与背景。然而，重构目标中的异常区域仍可能在训练过程中引导网络。此外，高光谱图像中难以重构的复杂背景可能难以与异常目标区分。由于异常目标和复杂背景具有独特的空间特性，可以通过结构空间变换来创造它们之间的可区分差异。在本文中，提出了一种基于像素化的多尺度扩散网络PixDiff，用于降低异常目标的可见性并区分它们与复杂背景。在PixDiff中，创新性地将多尺度像素化引入HAD，以保留粗糙的背景结构同时破坏异常信息。随后，提出了一种结构隔离模块（SIM），通过跨分辨率差异来区分难以重构的复杂背景与潜在异常目标。此外，提出了一种多尺度自适应加权重构损失，以进一步增加异常目标与复杂背景之间的区分度。在五个HAD数据集上的实验结果表明，所提出的PixDiff相较于现有的最先进方法实现了更优越的检测性能。
Keyword:
Anomaly detection
diffusion model
hyperspectral image (HSI)
multiresolution network
pixelization
期刊
IF:
8.6
论文数:
2.2W
被引数:
10.7W
机构
引用论文
A Novel Fully Convolutional Auto-Encoder Based on Dual Clustering and Latent Feature Adversarial Consistency for Hyperspectral Anomaly Detection一种基于双聚类和潜在特征对抗一致性的新型全卷积自编码器用于高光谱异常检测
OAAI
OAAI分享收藏Adaptive multiple-band CFAR detection of an optical pattern with unknown spectral distribution具有未知光谱分布的光学图案的自适应多波段CFAR检测
PREAI
分享收藏Auto-AD: Autonomous Hyperspectral Anomaly Detection Network Based on Fully Convolutional Autoencoder
PREAI
分享收藏Anomaly Detection in Hyperspectral Images Based on Low-Rank and Sparse Representation基于低秩稀疏表示的高光谱图像异常检测
PREAI
分享收藏Spectral constraint adversarial autoencoders approach to feature representation in hyperspectral anomaly detection.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏
查看更多内容