O modelo de mistura linear tem recebido ampla atenção devido à sua eficiência (cálculo simples, escalabilidade), significado físico claro e facilidade de processamento. Entre os diversos métodos de mistura linear, a técnica de autoencoder de mistura tem demonstrado vantagens significativas em capacidade de ajuste de dados e extração profunda de características. No entanto, esse método também apresenta algumas limitações. Por exemplo, ruídos nos dados de entrada fazem com que a capacidade de generalização do modelo diminua durante o processamento; quando se lida com características em múltiplas escalas, frequentemente surgem problemas de redundância; para manter a complexidade computacional linear enquanto se assegura a dependência de longo alcance, é necessário um entendimento profundo das características espaciais e espectrais. Para isso, este artigo propõe um módulo de autoatenção para o denoising de imagens hiperespectrais e um novo modelo de imagens hiperespectrais baseado no modelo Mamba. Primeiro, foi projetado um bloco espacial Mamba para extrair características espaciais; em seguida, no aspecto espectral, foi proposto um bloco espectral Mamba; por fim, os vetores espectrais foram divididos em vários grupos para explorar as relações entre diferentes grupos espectrais e extrair características espectrais. Esses três módulos foram integrados em uma rede de autoencoder convolucional em múltiplas etapas, formando a estrutura de desenlace com atenção Mamba em múltiplas etapas PSAMN (Phase-wise Mamba Attention Unmixing Framework). Foram realizados experimentos comparativos em conjuntos de dados hiperespectrais sintéticos e reais. Os resultados experimentais mostram que o modelo de desenlace proposto é mais eficaz e competitivo em comparação com algoritmos existentes.

Desmistura hiperespectral;Aprendizado profundo;Modelo Mamba;Módulo de autoatenção;Bloco Mamba