高次元ノイズから低次元マニフォールドへ：劣化を受けたハイパースペクトル画像分類のためのマニフォールド空間拡散フレームワーク

Abstract

近年、ハイパースペクトル画像（HSI）分類はリモートセンシング分野でますます注目を集めています。しかし、HSIデータは本質的に高次元である一方、低ランクでもあり、識別に有用な情報は低次元の潜在マニフォールド上に集中しています。現実のリモートセンシングの場面では、複数の劣化要因が重畳することで、この固有のマニフォールド構造が破壊され、サンプルが本来の低次元分布から逸脱するとともに、大量の冗長で識別に寄与しない変動が生じます。この課題により適切に対処するため、本論文では、複雑な劣化条件下での頑健なハイパースペクトル分類のためのマニフォールド空間拡散フレームワーク（MSDiff）を提案します。具体的には、提案手法はまず、識別的なスペクトル・空間再構成タスクを通じて、高次元で劣化の影響を受けたHSIデータを、コンパクトな低次元マニフォールドへ写像します。これによりクラスの意味論を保持し、冗長な変動を低減します。次に、拡散ベースの生成モデルを用いて、マニフォールド内でのスペクトル・空間分布を正則化し、残留する劣化に対して潜在特徴を段階的に洗練し、安定化できるようにします。提案フレームワークの主な利点は、低次元マニフォールド上で直接、拡散に基づく分布モデリングを行うことで、劣化に起因する攪乱を本質的な識別構造から効果的に切り離し、複雑な劣化下で表現の安定性を高められる点にあります。複数のハイパースペクトルのベンチマークに関する実験結果では、多様な複合劣化設定のもとで、先端手法に対して一貫した性能向上が示されています。コードは https://github.com/yangboxiang1207/MSDiff で公開されます。