[논문 리뷰] WS-Net: Weak-Signal Representation Learning and Gated Abundance Reconstruction for Hyperspectral Unmixing via State-Space and Weak Signal Attention Fusion

Zekun Long, Ali Zia외 3명|arXiv (Cornell University)|2026. 03. 10.

Remote-Sensing Image Classification인용 수 0

한 줄 요약

WS-Net은 약한 신호를 인식하는 이중 분기 아키텍처를 도입하여 Mamba 상태 공간 모델과 약한 신호 어텐션 경로 및 웨이블릿 기반 인코더를 융합해 저반사 엔드멤버의 고스펙트럼 언믹싱을 개선하고, 약한 엔드멤버와 지배적 엔드멤버를 구분하기 위한 KL 정규화를 적용한다.

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.

연구 동기 및 목표

• 저반사 엔드멤버가 과소표현되는 고해상도 분해에서의 약한 신호 붕괴 문제를 다룬다.
• 상태 공간 Mamba와 약한 신호 어텐션을 결합한 듀얼-브랜치 인코더에 웨이블릿 기반 피처 추출기를 개발한다.
• ANC와 ASC를 만족시키는 희소성 인식 디코더와 KL-다이버전스 정규화를 통해 물리적으로 의미 있는 양을 강제한다.
• 저 SNR 조건에서의 강건한 언믹싱과 데이터세트 전반에 걸친 약한 엔드멤버 복원을 개선한다.

제안 방법

• 하 Haar 및 Symlet-3를 사용한 다중 해상도 웨이블릿 융합 인코더(WFFE)로 고주파 세부 정보와 스펙트럼 변화를 포착한다.
• 장거리 스펙트럼 전파를 위한 Mamba 상태 공간 모델과 역 어텐션을 통해 저유사도 토큰의 가중치를 재조정하는 Weak Signal Attention 분기를 결합한 듀얼-브랜치 백본.
• Mamba와 어텐션 표현을 차례로 적응적으로 융합하는 학습 가능한 게이트와 로컬 대 글로벌 큐를 균형 있게 조절하는 글로벌 게이트.
• Ŷ = E A 를 재구성하기 위해 Softmax 제약을 가진 희소성 인식 디코더를 통해 ANC 및 ASC를 만족시키는 abundances를 학습한다.
• 스펙트럴 분포에서 약한 엔드멤버와 지배적 엔드멤버의 분리를 촉진하기 위한 KL-divergence 정규화.
• 손실 구성요소로 RMSE, SAD, KL를 포함하여 재구성 품질과 엔드멤버 분리를 함께 최적화한다.

실험 결과

연구 질문

• RQ1 저신호 조건에서 약한 신호 엔드멤버를 어떻게 보존하고 정확하게 정량화할 수 있는가?
• RQ2 적응적 융합이 가능한 듀얼-브랜치 구조(상태 공간 + 약한 신호 어텐션)가 최첨단 기준선에 비해 저반사 엔드멤버의 회복을 향상시키는가?
• RQ3 웨이블릿 기반 피처 추출과 KL-다이버전스 정규화가 약한 엔드멤버와 지배적 엔드멤버의 분리에 기여하는가?
• RQ4 실세계 데이터세트(Samson, Apex)와 약한 신호를 갖는 합성 시나리오에서 WS-Net의 로버스트성은 어느 정도인가?

주요 결과

• WS-Net은 하나의 합성 데이터세트와 두 개의 실제 데이터세트(Samson 및 Apex)에서 여섯 가지 최첨단 기준선에 대해 일관된 개선을 달성한다.
• 합성 데이터세트에서 RMSE 감소가 FCLSU 및 MiSiCNet에 비해 최대 36%까지, SAD 감소가 FCLSU 및 DeepTrans에 비해 최대 73%까지 달성된다.
• Samson에서 WS-Net은 더 나은 평균 SAD를 달성하여 양의 엔드멤버 방향이 더 정확하다는 것을 나타낸다.
• Apex에서 WS-Net은 약한 신호 클래스(예: Road, Water)에서 가장 큰 증가를 보이는 전반적 성능 우수성을 달성하고 네 엔드멤버 중 가장 좋은 SAD를 달성한다.
• 저 SNR 조건에서도 프레임워크의 안정성이 유지되며, 특히 약한 엔드멤버에 이익을 준다.