HSIDMamba: Exploring Bidirectional State-Space Models for Hyperspectral Denoising

在HSI去噪中有效地识别空间-光谱依赖关系至关重要，但使用卷积或变换器的现有方法仍面临计算效率限制。最近，新兴的选择性状态空间模型（Mamba）以其近乎线性的计算复杂度在处理自然语言序列方面崭露头角，这启发我们探索其在处理长光谱序列方面的潜力。本文提出了HSIDMamba（HSDM），旨在利用线性复杂度有效地捕获HSI去噪中的空间-光谱依赖关系。特别地，HSDM包括多个高光谱连续扫描块，融合了双向连续扫描机制（BCSM）、尺度残差和光谱注意机制，以增强对长程和局部空间-光谱信息的捕捉。BCSM通过连接正向和反向扫描以及通过SSM增强来自八个方向的信息，增强了空间-光谱交互作用，显著提高了HSDM的感知能力并更有效地提高了去噪性能。对HSI去噪基准的广泛评估验证了HSDM的卓越性能，实现了性能的最新水平，并超过了最新变换器架构的效率30％。

本论文旨在解决高光谱图像去噪中的空间-光谱依赖关系问题，并验证了使用选择性状态空间模型（Mamba）处理长光谱序列的潜力。

本论文提出了HSIDMamba（HSDM）方法，利用线性复杂度有效捕捉空间-光谱依赖关系。该方法包含多个高光谱连续扫描块，采用双向连续扫描机制、尺度残差和光谱注意机制来增强对长距离和局部空间-光谱信息的捕捉。

本论文的亮点包括：使用选择性状态空间模型处理长光谱序列；提出了高光谱连续扫描块，采用双向连续扫描机制、尺度残差和光谱注意机制来增强对空间-光谱信息的捕捉；在多个高光谱图像去噪基准测试中验证了该方法的卓越性能。

近期相关研究包括：Transformer架构在高光谱图像去噪中的应用；基于深度学习的高光谱图像去噪方法；利用卷积神经网络进行高光谱图像去噪的研究。