El modelo lineal de desmezcla ha recibido amplia atención debido a su eficiencia (cálculo simple, escalabilidad), significado físico claro y facilidad de procesamiento. Entre los diversos métodos lineales de desmezcla, las técnicas basadas en autoencoders han demostrado ventajas significativas en la capacidad de ajuste de datos y la extracción de características profundas. Sin embargo, este enfoque también tiene algunas limitaciones. Por ejemplo, los datos de entrada con ruido disminuyen la capacidad de generalización del modelo durante el procesamiento; al enfrentar características multi-escala, a menudo existen problemas de redundancia; para mantener una complejidad computacional lineal mientras se conservan las dependencias a largo plazo, se requiere una comprensión profunda de las características espaciales y espectrales. Para ello, este documento propone un módulo de autoatención para la eliminación de ruido en imágenes hiperespectrales y presenta un nuevo modelo de imagen hiperespectral basado en el modelo Mamba. Primero se diseñó un bloque Mamba espacial para extraer características espaciales; luego, en el aspecto espectral, se propuso un bloque Mamba espectral; finalmente, los vectores espectrales se dividieron en varios grupos para explorar las relaciones entre diferentes grupos espectrales y extraer características espectrales. Estos tres módulos se integraron en una red de autoencoder convolucional de múltiples etapas, formando el marco de desmezcla con atención Mamba en múltiples fases PSAMN (Phase-wise Mamba Attention Unmixing Framework). Se realizaron experimentos comparativos con el modelo PSAMN propuesto en conjuntos de datos hiperespectrales sintéticos y reales. Los resultados experimentales muestran que el modelo de desmezcla propuesto es más efectivo y competitivo en comparación con los algoritmos existentes.

desmezclado hiperespectral; aprendizaje profundo; modelo Mamba; módulo de autoatención; bloque Mamba