선형 분해 모델은 효율성(간단한 계산, 확장성), 명확한 물리적 의미 및 처리 용이성으로 인해 널리 주목받고 있습니다. 다양한 선형 분해 방법 중에서 오토인코더 분해 기술은 데이터 적합 능력과 심층 특징 추출 능력에서 뛰어난 장점을 보여주고 있습니다. 그러나 이 방법에도 몇 가지 한계가 존재합니다. 예를 들어, 입력 데이터에 포함된 잡음 때문에 모델의 일반화 능력이 처리 과정에서 저하되며, 다중 스케일 특성을 다룰 때 종종 중복 문제가 발생합니다. 그리고 장거리 의존성을 유지하면서 계산 복잡도를 선형으로 보장하기 위해 공간 및 스펙트럼 특성에 대한 심층 이해가 필요합니다. 이를 위해 본 논문은 고분광 이미지를 위한 잡음 제거를 수행하는 자기 주의 모듈을 제안하고, Mamba 모델 기반의 새로운 고분광 이미지 모델을 제안합니다. 먼저 공간 특징을 추출하기 위한 공간 Mamba 블록을 설계하였고, 스펙트럼 측면에서는 스펙트럼 Mamba 블록을 제안하였습니다. 마지막으로, 스펙트럼 벡터를 여러 그룹으로 나누어 서로 다른 스펙트럼 그룹 간의 관계를 탐색하고 스펙트럼 특징을 추출합니다. 이 세 가지 모듈을 다단계 합성곱 오토인코더 네트워크에 통합하여 다단계 Mamba 주의 분해 프레임워크 PSAMN(Phase-wise Mamba Attention Unmixing Framework)을 형성하였습니다. 본 논문에서 제안한 PSAMN 모델을 합성 및 실제 고분광 데이터 세트에서 비교 실험하였습니다. 실험 결과 제안된 분해 모델이 기존 알고리즘보다 더 효과적이고 경쟁력이 있음을 보여줍니다.

고분광 분해; 딥러닝; 맘바 모델; 자기 주의 모듈; 맘바 블록