線形混合解モデルは、その高効率性（計算の簡単さ、拡張性）、明確な物理的意味、および扱いやすさから広く注目されている。様々な線形混合手法の中で、オートエンコーダーを用いた解混技術は、データ適合能力と深層特徴抽出能力において顕著な優位性を示している。しかしながら、この手法にもいくつかの制約が存在する。例えば、入力データにノイズが含まれるため、処理過程におけるモデルの汎化能力が低下すること；マルチスケール特徴に直面した際に冗長性の問題が生じること；長距離依存性を保ちながら計算複雑度を線形に保つために、空間およびスペクトルの特性を深く理解する必要があることなどである。これに対し、本論文では、高分解能ハイパースペクトル画像のノイズ除去のために自己注意モジュールを提案し、Mambaモデルに基づく新しいハイパースペクトル画像モデルを提示する。まず空間特徴を抽出するための空間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、最後にスペクトルベクトルを複数のグループに分割し、異なるスペクトルグループ間の関係を掘り下げてスペクトル特徴を抽出した。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統合し、多段階Mamba注意解混フレームワークPSAMN（Phase-wise Mamba Attention Unmixing Framework）を形成した。本論文で提案するPSAMNモデルを合成ハイパースペクトルデータセットおよび実データセットで比較実験した。実験結果は、本論文の解混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る。

ハイパースペクトル解混;深層学習;Mambaモデル;自己注意モジュール;マンバブロック