선형 혼합 해석 모델은 그 효율성(계산의 용이성, 확장성), 명확한 물리적 의미 및 처리 용이성으로 인해 널리 주목받고 있다. 다양한 선형 혼합 방법 중에서 오토인코더 혼합 기술은 데이터 적합 능력과 심층 특징 추출 능력에서 상당한 장점을 보였다. 그러나 이 방법에는 몇 가지 제한점도 존재한다. 예를 들어, 입력 데이터에 노이즈가 포함되어 모델의 처리 과정에서 일반화 능력이 저하되며; 다중 스케일 특징을 다룰 때 종종 일부 중복 문제가 발생한다; 장거리 의존성을 유지하면서 계산 복잡도를 선형으로 보장하기 위해 공간과 스펙트럼 특성에 대한 깊은 이해가 필요하다. 이에 본 논문에서는 고해상도 분광 영상의 잡음 제거를 위해 자기 주의 모듈을 제안하고, Mamba 모델 기반의 새로운 고해상도 분광 영상 모델을 제안한다. 먼저 공간 특징을 추출하기 위해 공간 Mamba 블록을 설계하였으며; 그 다음 스펙트럼 측면에서 스펙트럼 Mamba 블록을 제안하였다; 마지막으로 스펙트럼 벡터를 여러 그룹으로 나누어 서로 다른 스펙트럼 그룹 간의 관계를 탐색하고 스펙트럼 특징을 추출하였다. 이 세 가지 모듈을 다단계 합성곱 오토인코더 네트워크에 융합하여 다단계 Mamba 주의 해석 프레임워크 PSAMN(Phase-wise Mamba Attention Unmixing Framework)을 형성하였다. 본 논문에서 제안한 PSAMN 모델을 합성 고해상도 분광 데이터셋과 실제 고해상도 분광 데이터셋에서 비교 실험하였다. 실험 결과는 본 논문에서 제안한 해석 모델이 기존 알고리즘보다 더 효과적이고 경쟁력이 있음을 보여준다.

고해상도 분광 해석;딥러닝;Mamba 모델;자기 주의 모듈;맘바 블록