WS-Net: Weak-Signal Representation Learning and Gated Abundance Reconstruction for Hyperspectral Unmixing via State-Space and Weak Signal Attention Fusion

📄 arXiv: 2603.09037v1 📥 PDF

作者: Zekun Long, Ali Zia, Guanyiman Fu, Vivien Rolland, Jun Zhou

分类: cs.CV, cs.AI

发布日期: 2026-03-10

💡 一句话要点

提出WS-Net以解决弱信号超光谱解混合问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 超光谱解混合 弱信号处理 状态空间建模 深度学习 注意力机制 遥感图像 丰度估计

📋 核心要点

  1. 现有超光谱解混合方法在处理弱信号时常受到主导端元和噪声的影响，导致丰度估计不准确。
  2. WS-Net通过状态空间建模和弱信号注意力融合，设计了多分辨率小波融合编码器，增强了对弱信号的捕捉能力。
  3. 在多个数据集上的实验结果显示，WS-Net在RMSE和SAD上分别提升了55%和63%，表现出色，尤其在低信噪比下。

📝 摘要（中文）

超光谱图像中的弱光谱响应常常被主导端元和传感器噪声所掩盖，导致丰度估计不准确。本文提出WS-Net，一个深度解混合框架，旨在通过状态空间建模和弱信号注意力融合来解决弱信号崩溃问题。该网络采用多分辨率小波融合编码器，捕捉高频不连续性和平滑光谱变化，并集成了高效的长程依赖建模的Mamba状态空间分支。它还包含一个弱信号注意力分支，选择性增强低相似度光谱线索。可学习的门控机制自适应融合两种表示，解码器利用基于KL散度的正则化来增强主导端元和弱端元之间的可分性。在一个模拟和两个真实数据集（合成数据集、Samson和Apex）上的实验表明，与六个最先进的基线相比，WS-Net在RMSE和SAD上分别实现了高达55%和63%的降低，尤其在低信噪比条件下对弱端元保持稳定的准确性，确立了WS-Net作为弱信号超光谱解混合的稳健且计算高效的基准。

🔬 方法详解

问题定义：本文旨在解决超光谱图像中弱信号被主导端元和噪声掩盖的问题，现有方法在丰度估计上存在显著不足。

核心思路：WS-Net通过引入状态空间建模和弱信号注意力机制，增强对弱信号的表示能力，旨在提高丰度估计的准确性。

技术框架：WS-Net的整体架构包括多分辨率小波融合编码器、Mamba状态空间分支和弱信号注意力分支，最后通过解码器进行丰度重建。

关键创新：最重要的创新在于引入了弱信号注意力机制和可学习的门控机制，使得网络能够自适应地融合不同信号的表示，显著提升了弱信号的捕捉能力。

关键设计：网络结构中采用了多分辨率小波变换以捕捉不同频率的光谱特征，同时使用KL散度作为损失函数，确保主导端元和弱端元之间的可分性。通过这些设计，WS-Net在低信噪比条件下依然保持了良好的性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

WS-Net在实验中表现出色，相较于六个最先进的基线，RMSE和SAD分别降低了55%和63%。该框架在低信噪比条件下仍能保持稳定的准确性，证明了其在弱信号超光谱解混合中的有效性。

🎯 应用场景

该研究的潜在应用领域包括遥感图像分析、环境监测和农业监测等。WS-Net能够有效处理弱信号，提升超光谱图像的解混合精度，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

Weak spectral responses in hyperspectral images are often obscured by dominant endmembers and sensor noise, resulting in inaccurate abundance estimation. This paper introduces WS-Net, a deep unmixing framework specifically designed to address weak-signal collapse through state-space modelling and Weak Signal Attention fusion. The network features a multi-resolution wavelet-fused encoder that captures both high-frequency discontinuities and smooth spectral variations with a hybrid backbone that integrates a Mamba state-space branch for efficient long-range dependency modelling. It also incorporates a Weak Signal Attention branch that selectively enhances low-similarity spectral cues. A learnable gating mechanism adaptively fuses both representations, while the decoder leverages KL-divergence-based regularisation to enforce separability between dominant and weak endmembers. Experiments on one simulated and two real datasets (synthetic dataset, Samson, and Apex) demonstrate consistent improvements over six state-of-the-art baselines, achieving up to 55% and 63% reductions in RMSE and SAD, respectively. The framework maintains stable accuracy under low-SNR conditions, particularly for weak endmembers, establishing WS-Net as a robust and computationally efficient benchmark for weak-signal hyperspectral unmixing.