Le modèle de décomposition linéaire a suscité un large intérêt en raison de son efficacité (calcul simple, extensibilité), de sa signification physique claire et de sa facilité de traitement. Parmi les différentes méthodes linéaires de décomposition, la technique de décomposition par autoencodeur a démontré des avantages significatifs en capacité d'ajustement des données et d'extraction de caractéristiques profondes. Cependant, cette méthode présente également certaines limites. Par exemple, le bruit dans les données d'entrée réduit la capacité de généralisation du modèle lors du traitement ; il existe souvent des problèmes de redondance face à des caractéristiques multi-échelles ; pour garantir une complexité calculatoire linéaire tout en conservant les dépendances à longue portée, il est nécessaire de bien comprendre les caractéristiques spatiales et spectrales. Pour cela, cet article propose un module d'attention automatique pour le débruitage des images hyperspectrales, ainsi qu'un nouveau modèle d'images hyperspectrales basé sur le modèle Mamba. Un bloc Mamba spatial a d'abord été conçu pour extraire les caractéristiques spatiales ; ensuite, un bloc Mamba spectral a été proposé pour la partie spectrale ; enfin, le vecteur spectral est divisé en plusieurs groupes, explorant les relations entre différents groupes spectraux et extrayant les caractéristiques spectrales. Ces trois modules sont intégrés dans un réseau autoencodeur convolutif multi-étapes, formant ainsi le cadre de décomposition attentive multiple Mamba (PSAMN). Des expériences comparatives ont été réalisées avec le modèle PSAMN proposé sur des ensembles de données hyperspectrales synthétiques et réelles. Les résultats expérimentaux montrent que le modèle de décomposition proposé est plus efficace et compétitif que les algorithmes existants.

décomposition hyperspectrale; apprentissage profond; modèle Mamba; module d'attention automatique; bloc Mamba