AXS-Net: Interpretable Deep Unfolding for Hyperspectral Image Denoising via Spectral Basis Unmixing and Structured Noise Refinement

📄 arXiv: 2609.08777v1 📥 PDF

作者: Ziyi Guan, Jianping Zhang, Zheng Yang

分类: cs.CV

发布日期: 2026-09-08

备注: 15 pages. Accepted to The 14th International Conference on Image and Graphics (ICIG2026), July 31, 2026

💡 一句话要点

提出AXS-Net以解决高光谱图像去噪问题

🎯 匹配领域: 支柱五：交互与反应 (Interaction & Reaction) 支柱八：物理动画 (Physics-based Animation) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 高光谱图像 去噪 深度学习 结构噪声 可解释性 优化算法 遥感 图像处理

📋 核心要点

  1. 高光谱图像去噪面临混合噪声的挑战，现有方法难以有效分离信号与结构噪声。
  2. 本文提出AXS-Net，通过低秩光谱子空间重建与结构噪声精炼，优化HSI去噪过程。
  3. 在ICVL、CAVE和Harvard数据集上，AXS-Net在五种噪声配置下均表现出显著的去噪效果。

📝 摘要（中文）

高光谱图像（HSIs）常受到混合噪声的影响，包括依赖于波段的高斯扰动和结构性伪影（如条纹、死线和脉冲噪声）。现有的深度去噪方法通常直接回归干净图像，导致信号与结构噪声交织。本文将HSI去噪建模为$ extbf{Y}= extbf{A} extbf{X}+ extbf{S}{ ext{noise}}+ extbf{N}{ ext{noise}}$，其中$ extbf{A} extbf{X}$为低秩光谱子空间重建，$ extbf{S}{ ext{noise}}$为结构稀疏噪声，$ extbf{N}{ ext{noise}}$为残余高斯噪声。通过将优化问题展开为AXS-Net，一个$K$阶段的交替近端点框架，本文实现了可解释的端元、丰度图和结构噪声估计。实验结果表明，AXS-Net在多个数据集上表现出色，具有强大的领域内准确性和竞争性的零样本迁移能力。

🔬 方法详解

问题定义：本文旨在解决高光谱图像去噪中的混合噪声问题，现有方法往往无法有效区分信号与结构噪声，导致去噪效果不佳。

核心思路：论文提出将HSI去噪建模为$ extbf{Y}= extbf{A} extbf{X}+ extbf{S}{ ext{noise}}+ extbf{N}{ ext{noise}}$，通过低秩重建与结构噪声精炼，明确分离信号与噪声。

技术框架：AXS-Net采用$K$阶段的交替近端点框架，每个阶段结合光谱基梯度步骤、丰度系数的SSX-Block近端算子和结构残差的SBlock近端算子，利用列一致性和稀疏先验。

关键创新：AXS-Net的主要创新在于其可解释性，能够提供清晰的端元、丰度图和结构噪声估计，区别于传统方法的黑箱特性。

关键设计：在设计中，采用了特定的损失函数和网络结构，以确保在不同噪声配置下的鲁棒性和准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，AXS-Net在ICVL和Harvard数据集上对比基线方法在五种噪声配置下均有显著提升，尤其在结构噪声恢复方面，恢复的结构噪声与合成参考高度一致，表现出良好的平滑性和波段顺序。

🎯 应用场景

该研究在遥感、医学成像和环境监测等领域具有广泛的应用潜力。通过有效去噪，高光谱图像的质量提升将有助于更准确的分析和决策，推动相关领域的发展。

📄 摘要（原文）

Hyperspectral images (HSIs) are often degraded by mixed noise, including band-dependent Gaussian perturbations and structured artifacts such as stripes, dead-lines, and impulse noise. Most deep denoisers regress the clean image directly, entangling signal and structured noise. We instead model HSI denoising as $\Y=\A\X+\Snoise+\Nnoise$, where $\A\X$ is a low-rank spectral-subspace (unmixing) reconstruction, $\Snoise$ is structured sparse noise and $\Nnoise$ is residual Gaussian noise. The resulting regularized optimization problem is unrolled into AXS-Net, a $K$-stage alternating proximal-point framework. Each stage combines an analytic spectral-basis gradient step, an SSX-Block proximal operator for abundance coefficients, and an SBlock proximal operator for the structured residual with column-consistent and sparse priors. This optimization correspondence exposes interpretable endmembers, abundance maps, and structured-noise estimates. Across ICVL, CAVE, and Harvard datasets and five noise configurations, the proposed AXS-Net achieves strong in-domain accuracy and competitive zero-shot transfer, with consistent gains across all five noise regimes on ICVL and Harvard. The recovered structured-noise closely follows the synthetic reference, and the recovered spectral basis is smooth and band-ordered rather than an arbitrary set of latent channels.