[论文解读] BSDM: Background Suppression Diffusion Model for Hyperspectral Anomaly Detection

Jitao Ma, Weiying Xie+2 more|arXiv (Cornell University)|Jul 19, 2023

Remote-Sensing Image Classification被引用 4

一句话总结

该论文提出BSDM，一种用于高光谱异常检测（HAD）的新颖背景抑制扩散模型，通过使用伪背景噪声和统计偏移模块，在无需标注数据的情况下学习潜在背景分布，实现领域泛化。通过在推理过程中创新性地将原始HSI输入去噪网络，BSDM将复杂背景作为噪声抑制，检测准确率最高提升26.39%，同时降低误报率，在无需微调的情况下在多种数据集上表现出强大泛化能力。

ABSTRACT

Hyperspectral anomaly detection (HAD) is widely used in Earth observation and deep space exploration. A major challenge for HAD is the complex background of the input hyperspectral images (HSIs), resulting in anomalies confused in the background. On the other hand, the lack of labeled samples for HSIs leads to poor generalization of existing HAD methods. This paper starts the first attempt to study a new and generalizable background learning problem without labeled samples. We present a novel solution BSDM (background suppression diffusion model) for HAD, which can simultaneously learn latent background distributions and generalize to different datasets for suppressing complex background. It is featured in three aspects: (1) For the complex background of HSIs, we design pseudo background noise and learn the potential background distribution in it with a diffusion model (DM). (2) For the generalizability problem, we apply a statistical offset module so that the BSDM adapts to datasets of different domains without labeling samples. (3) For achieving background suppression, we innovatively improve the inference process of DM by feeding the original HSIs into the denoising network, which removes the background as noise. Our work paves a new background suppression way for HAD that can improve HAD performance without the prerequisite of manually labeled data. Assessments and generalization experiments of four HAD methods on several real HSI datasets demonstrate the above three unique properties of the proposed method. The code is available at https://github.com/majitao-xd/BSDM-HAD.

研究动机与目标

• 解决高光谱图像（HSI）中复杂且具有干扰性的背景对准确异常检测造成的挑战。
• 开发一种无需手动标注背景或异常样本的可泛化HAD方法。
• 通过扩散模型学习潜在背景分布，提升异常与背景之间的判别能力。
• 在推理过程中实现有效的背景抑制，且无需微调，确保计算成本低。

提出的方法

• 提出一种直接从输入HSI中提取的伪背景噪声，替代标准高斯噪声，引导扩散模型在无需任何人工标注的情况下学习潜在背景分布。
• 引入统计偏移模块，将输入HSI的统计特征（如均值、方差）嵌入去噪网络，以对齐不同领域之间的特征分布，增强泛化能力。
• 创新性地修改扩散模型的推理过程，将原始HSI输入去噪网络，实现在推理阶段将背景作为噪声去除，实现背景抑制。
• 在HSI上训练扩散模型，使其学习反转伪背景噪声，从而有效学习重建富含异常的干净图像。
• 采用带有跳跃连接的U-Net架构去噪网络，以在去噪过程中保留空间-光谱细节。
• 设计针对HSI光谱特性的去噪调度策略，确保训练稳定并实现有效的背景建模。

实验结果

研究问题

• RQ1 扩散模型能否在无需标注异常或背景数据的情况下，有效适应高光谱图像中复杂背景的抑制？
• RQ2 如何使扩散模型在传感器、光谱特性及场景内容各异的HSI数据集之间具备泛化能力？
• RQ3 能否重构扩散模型的推理过程，使其直接将背景作为噪声抑制，而非生成图像？
• RQ4 统计偏移模块在多类HSI数据集上对背景抑制模型的领域泛化能力提升程度如何？
• RQ5 通过BSDM实现的背景抑制是否能显著提升现有HAD方法在检测准确率和误报率方面的性能？

主要发现

• 在SanDiego数据集上，BSDM将2S-GLRT的准确率提升了26.39%，同时将误报率保持在0.11%的低水平。
• 在Beach数据集上，BSDM将DFAE方法的准确率从99.73%提升至99.94%，误报率从0.03%降至0.01%。
• 在HAD-100数据集上，使用Hydice作为训练集相比使用HAD-100本身，性能有所提升，准确率提高0.77%，误报率降低1.54%。
• 当训练集与测试集来自不同领域时，BSDM的泛化性能准确率下降不超过1.1%，误报率下降不超过0.8%，展现出强大的跨数据集鲁棒性。
• 在SanDiego上训练时，统计偏移模块使HAD-100数据集上的准确率提升1.45%，性能下降幅度从1.43%降至1.45%，相比域内训练。
• BSDM在四种不同的HAD方法和多个真实世界HSI数据集上均实现了稳定的性能提升，证实了其有效性和泛化能力。