[论文解读] 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 0

一句话总结

WS-Net 引入一个弱信号感知的双分支架构，将 Mamba 状态空间模型与弱信号注意力路径以及小波编码器融合，以改善低反射端元的高光谱混合分解，且引入 KL 正则化以分离弱信号端元与主导端元。

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.

研究动机与目标

• 解决高光谱混合分解中的弱信号崩溃问题，即低反射端元被低估。
• 开发一个 dual-branch 编码器（状态空间 Mamba 与弱信号注意力）并结合小波基特征提取器。
• 通过一个稀疏性感知的解码器和 KL 散度正则化，强制实现物理有意义的丰度。
• 在低信噪比条件下实现鲁棒分解，并在各数据集上改进对弱端元的恢复。

提出的方法

• 使用 Haar 和 Symlet-3 的多分辨率小波融合编码器（WFFE），捕捉高频细节和平滑的光谱变化。
• 双分支骨干网，结合用于长程光谱传播的 Mamba 状态空间模型与通过逆注意力重新加权低相似度 token 的弱信号注意力分支。
• 可学习门控自适应融合 Mamba 与注意力表示，并附全局门控在局部与全局线索之间平衡。
• 带软最大约束丰度的稀疏性感知解码器，以满足 ANC 与 ASC，重建 Ŷ = E A。
• KL 散度正则化以促进弱信号端元与主导端元在光谱分布中的可分离性。
• 损失组件包括 RMSE、SAD 以及 KL，用于联合优化重建质量与端元分离。

实验结果

研究问题

• RQ1 在低信噪比条件下，如何在高光谱混合分解中保持并准确量化弱信号端元？
• RQ2 与最先进基线相比，双分支架构（状态空间 + 弱信号注意力）及自适应融合是否能提升对低反射端元的恢复？
• RQ3 小波基特征提取结合 KL 散度正则化是否能增强弱信号与主导端元的分离？
• RQ4 WS-Net 对真实世界数据集（Samson，Apex）和具有弱信号的合成场景有多鲁棒？

主要发现

• WS-Net 在一个模拟数据集和两个真实数据集（Samson 与 Apex）上，对六个最先进基线显示出一致的改进。
• 在 Synthetic 数据集上，相对于 FCLSU 和 MiSiCNet，RMSE 提高幅度达到最高 36%，相对于 FCLSU 和 DeepTrans，SAD 提升幅度最高可达 73%。
• 在 Samson 上，WS-Net 获得最佳的平均 SAD，指示丰度方向更准确。
• 在 Apex 上，WS-Net 实现最佳整体性能，在弱信号类别如 Road 和 Water 的增益最大，且在所有四个端元的 SAD 表现最佳。
• 框架在低信噪比条件下保持稳定，尤其惠及弱端元。