線形スペクトル分離モデルは、その効率性（計算の簡便さ、スケーラビリティ）、明確な物理的意味、および処理の容易さから広く注目されています。様々な線形スペクトル分離手法の中で、オートエンコーダーを用いた分離技術はデータ適合能力と深い特徴抽出能力において顕著な優位性を示しています。しかし、この手法にもいくつかの制約があります。例えば、入力データにノイズが含まれるため、モデルの処理過程での一般化能力が低下することや、多尺度特徴を扱う際に冗長性の問題が生じることがあります。さらに、長距離依存を保持しつつ計算複雑度を線形に保つためには、空間的およびスペクトル的特性の深い理解が必要です。そこで本論文では、高スペクトル画像のノイズ除去のための自己注意モジュールを提案し、Mambaモデルに基づく新たな高スペクトル画像モデルを提案します。まず空間的特徴抽出のための空間Mambaブロックを設計し、次にスペクトル面ではスペクトルMambaブロックを提案しました。最後にスペクトルベクトルを複数のグループに分け、異なるスペクトルグループ間の関係を掘り下げ、スペクトル特徴を抽出します。これら3つのモジュールを多段階畳み込みオートエンコーダーネットワークに融合し、多段階Mamba注意分離フレームワークPSAMN（Phase-wise Mamba Attention Unmixing Framework）を形成しました。本論文で提案するPSAMNモデルを合成高スペクトルデータセットおよび実際の高スペクトルデータセットで比較実験しました。実験結果は、提案する分離モデルが既存のアルゴリズムよりも有効かつ競争力があることを示しています。

高スペクトル分離; 深層学習; マンバモデル; 自己注意モジュール; マンバブロック