ハイパースペクトル混合成分分解（Unmixing）の階層構造

arXiv cs.CV / 2026/4/21

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

この論文は、スペクトル変動、エンドメンバー数の決定の曖昧さ、そして含めるエンドメンバーが増えるにつれてエンドメンバーの明瞭さが低下するという、ハイパースペクトル・アンミクシングの主要課題に取り組みます。
階層的アンミクシングとして、Deep Nonnegative Matrix Factorization（深層非負行列因子分解）に「階層的なabundance（存在量）の総和制約」を課す手法を定義し、Binary Linear Unmixing Tactile Hierarchies（BLUTHs）というシンプルなネットワーク構造を提案します。
さらに、sparsity modulation（疎性モジュレーション）によってBLUTHsのトポロジーを各シーンに合わせて調整し、スペクトル変動への頑健性と性能向上を狙います。
実験ではBLUTHsが実験室シーンで既存の最先端アンミクシング手法を上回り（特に存在量推定の面で）、リモートセンシングでは競争力を維持しつつ、HYPSOおよびPACE衛星のハイパースペクトル画像で海洋色のアンミクシングも実証しています。
まとめると、階層構造はスペクトルコントラストが異なる複数のエンドメンバーを、従来より明瞭に回収するための統一的な解決策として位置づけられています。

Abstract

アンミキシングは、ハイパースペクトル画像における異なる構成要素、いわゆるエンドメンバーの空間分布とスペクトルの詳細を明らかにする。アンミキシングは、限られた量のグラウンドトゥルース要件で済み、混合ピクセルに対応でき、さらに光の伝搬に密接に結び付いているため、ハイパースペクトル画像を解析するための唯一無二に強力な手法である。しかし、スペクトル変動がアンミキシングの性能を阻害し、エンドメンバー数を適切に決定する方法は曖昧であり、含めるエンドメンバーが増えるほどエンドメンバーの明瞭さが低下する。階層構造は、これら3つすべての問題への可能な解決策である。ここでは、階層アンミキシングを、Deep Nonnegative Matrix Factorization に対して階層的な存在量和制約を課すことによって定義する。Binary Linear Unmixing Tactile Hierarchies（BLUTHs）は、単純なネットワーク構造で階層アンミキシング問題を解く。スパース性モジュレーションによるアンミキシングの成長は、各シーンに合わせて BLUTH のトポロジーを調整する。BLUTHs により課される構造によって、スペクトルコントラストの強さが異なるエンドメンバーを可視化でき、スペクトル変動という課題を緩和できる。 BLUTHs の性能は、研究用（実験室）シーンにおいて、特に存在量推定の点で、最先端のアンミキシング手法を上回る一方、リモートセンシングシーンでは競争力のある性能を維持する。さらに、HYPSO および PACE 衛星のハイパースペクトルシーンに対して、BLUTHs による海色アンミキシングが実証される。