[論文レビュー] WS-Net: Weak-Signal Representation Learning and Gated Abundance Reconstruction for Hyperspectral Unmixing via State-Space and Weak Signal Attention Fusion

Zekun Long, Ali Zia+3 more|arXiv (Cornell University)|Mar 10, 2026

Remote-Sensing Image Classification被引用数 0

ひとこと要約

WS-Net は、弱信号を考慮したデュアルブランチ構造で、弱信号アテンション経路とウェーブレットベースのエンコーダを組み合わせて低反射エンドメンバーのハイパースペクトル分離を改善し、弱信号と支配的エンドメンバーを分離するKL正則化を導入します。

ABSTRACT

Weak spectral responses in hyperspectral images are often obscured by dominant endmembers and sensor noise, resulting in inaccurate abundance estimation. This paper introduces WS-Net, a deep unmixing framework specifically designed to address weak-signal collapse through state-space modelling and Weak Signal Attention fusion. The network features a multi-resolution wavelet-fused encoder that captures both high-frequency discontinuities and smooth spectral variations with a hybrid backbone that integrates a Mamba state-space branch for efficient long-range dependency modelling. It also incorporates a Weak Signal Attention branch that selectively enhances low-similarity spectral cues. A learnable gating mechanism adaptively fuses both representations, while the decoder leverages KL-divergence-based regularisation to enforce separability between dominant and weak endmembers. Experiments on one simulated and two real datasets (synthetic dataset, Samson, and Apex) demonstrate consistent improvements over six state-of-the-art baselines, achieving up to 55% and 63% reductions in RMSE and SAD, respectively. The framework maintains stable accuracy under low-SNR conditions, particularly for weak endmembers, establishing WS-Net as a robust and computationally efficient benchmark for weak-signal hyperspectral unmixing.

研究の動機と目的

• Hyperspectral unmixing における低反射エンドメンバーが過小評価される弱信号崩壊へ対処する。
• Wave-wave wave？（注：元テキストの英語を厳密に日本語へ直訳します）デュアルブランチエンコーダ（状態空間Mambaと弱信号アテンション）とウェーブレットベースの特徴抽出器を開発する。
• 現象的に意味のある分布を満たすよう、スパース性を考慮したデコーダとKL発散正則化を適用する。
• 低SNR 条件下での頑健な分離を達成し、データセット間で弱エンドメンバーの回復を改善する。

提案手法

• Haar および Symlet-3 を用いた高周波詳細と滑らかなスペクトル変動を捉える多分解能ウェーブレット結合エンコーダ（WFFE）。
• 長距離スペクトル伝播のためのMamba状態空間モデルと、低類似度トークンを逆アテンションで再重み付けするWeak Signal Attentionブランチを組み合わせたデュアルブランチバックボーン。
• Mamba とアテンション表現を適応的に融合する学習可能ゲートと、局所対全体の手がかりを均衡させるグローバルゲート。
• ANCとASCを満たすソフトマスク付きのスパース性を考慮したデコーダーでŶ = E Aを再構成。
• 波長分布中の弱信号と支配的エンドメンバーの分離を促進するKL発散正則化。
• 損失成分にはRMSE、SAD、およびKLを含み、再構成品質とエンドメンバー分離を共同最適化。

実験結果

リサーチクエスチョン

• RQ1 低SNR 条件下で弱信号エンドメンバーをどのように保持・正確に定量化できるか？
• RQ2 デュアルブランチ構造（状態空間 + 弱信号アテンション）と適応融合は、従来手法と比較して低反射エンドメンバーの回復を改善できるか？
• RQ3 ウェーブレットベースの特徴抽出とKL発散正則化は、弱信号と支配的エンドメンバーの分離を強化するか？
• RQ4 WS-Net は現実データセット（Samson, Apex）および弱信号を含む合成シナリオにどの程度頑健か？

主な発見

• WS-Net は、1つの合成データセットと2つの実データセット（Samson および Apex）で6つの最先端手法に対して一貫した改善を達成。
• Syntheticデータセットでは、RMSEの相対削減がFCLSUおよびMiSiCNetに対して最大36%、SADの相対削減がFCLSUおよびDeepTransに対して最大73%達成。
• Samson では、WS-Net が最良の平均SADを達成し、より正確な分布方向を示した。
• Apex では、弱信号クラス（RoadやWaterなど）で最大の利得を示し、全4エンドメンバーで最良のSADを達成するなど、総合的な性能が最良となった。
• フレームワークは低SNR 条件下でも安定しており、特に弱エンドメンバーに恩恵がある。