SSUMamba: Spatial-Spectral Selective State Space Model for Hyperspectral Image Denoising

去噪高光谱图像是一项关键的预处理过程，因为其噪声源自于图像内部机制和环境因素。利用高光谱图像的领域特定知识，如光谱相关性、空间自相似性和空间光谱相关性，对于基于深度学习的去噪至关重要。现有方法通常受到运行时间、空间复杂度和计算复杂度的限制，采用分别探索这些先验知识的策略。虽然这些策略可以避免一些冗余信息，但它们不可避免地忽略了更广泛和更基础的长程空间光谱信息，这对图像恢复有积极影响。本文提出了一种基于空间光谱选择状态空间模型的U形网络，称为Spatial-Spectral U-Mamba (SSUMamba)，用于高光谱图像去噪。由于状态空间模型 (SSM) 计算具有线性空间复杂度，我们可以在模块内获得完整的全局空间光谱相关性。我们引入了一种空间光谱交替扫描 (SSAS) 策略，用于高光谱图像，有助于在三维高光谱图像中多方向地建模信息流。实验结果表明，我们的方法优于其他比较方法。源代码可在https://github.com/lronkitty/SSUMamba获得。

本论文旨在解决高光谱图像去噪问题，通过利用高光谱图像的特定领域知识，如光谱相关性、空间自相似性和空间-光谱相关性，提出一种新的深度学习模型。

论文提出了一种基于空间-光谱选择状态空间模型的U型网络，称为SSUMamba，通过状态空间模型计算线性空间复杂度，从而实现模块内的完整全局空间-光谱相关性。同时，引入了一种空间-光谱交替扫描策略，有助于在3D高光谱图像中建模信息流。

论文的实验结果表明，SSUMamba模型的性能优于其他现有方法。作者还开源了代码，并提供了用于测试的数据集。值得深入研究的是，本文提出的空间-光谱选择状态空间模型和交替扫描策略是否适用于其他图像去噪任务。

最近的相关研究包括：'Hyperspectral Image Denoising via Low-Rank Representation and Guided Filtering'、'Hyperspectral Image Denoising via Collaborative Total Variation and Nonlocal Low-Rank Approximation'等。