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

去噪是高光谱图像预处理的关键步骤，因为图像内部机制和环境因素会产生噪声。利用高光谱图像的领域知识，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，采用分别探索这些领域知识的策略。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、更深入的长程空间-光谱信息，这对图像恢复产生了积极影响。本文提出了一种基于空间-光谱选择状态空间模型的U型网络，即Spatial-Spectral U-Mamba（SSUMamba），用于高光谱图像去噪。SSUMamba可以利用状态空间模型计算中的线性空间复杂度，在模块内部利用完整的全局空间-光谱相关性。我们引入了一种空间-光谱交替之字扫描策略（SSAZS）用于高光谱图像，有助于利用高光谱图像中多个方向的三维特征的连续信息流。实验结果表明，我们的方法优于比较方法。源代码可在https://github.com/lronkitty/SSUMamba上获得。

本论文旨在解决高光谱图像去噪问题，利用高光谱图像的领域知识来提高深度学习去噪的效果。

本文提出了一种基于状态空间模型的空间-光谱选择性 U 形网络 (SSUMamba) 用于高光谱图像去噪，利用状态空间模型的线性空间复杂度来实现全局空间-光谱相关性的探索。

本文的亮点包括提出了一种新的高光谱图像去噪方法，使用了 Spatial-Spectral Alternating Zigzag Scan (SSAZS) 策略来利用高光谱图像的三维特征信息，实验结果表明本方法优于其他对比方法，源代码已经开源。

在该领域的相关研究包括：《Hyperspectral Image Denoising Using a Spatial–Spectral Regularization Based on Spectral Clustering》、《Hyperspectral Image Denoising via Low-Rank Matrix Recovery and Guided Filter》等。