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

去噪高光谱图像（HSIs）是一种关键的预处理过程，因为噪声来自于图像内部机制和环境因素。利用HSIs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，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型网络，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，因此我们可以在一个模块内获得完整的全局空间光谱相关性。我们引入了一种HSIs的空间光谱交替扫描（SSAS）策略，有助于在三维HSIs中多方向地建模信息流。实验结果表明，我们的方法优于比较方法。源代码将可在https://github.com/lronkitty/SSUMamba上获得。

本论文旨在解决高光谱图像去噪的问题，利用高光谱图像的特殊性质，如光谱相关性、空间自相似性和空间-光谱相关性，提出了一种新的深度学习模型。

该论文提出了一种基于状态空间模型的U型网络，即Spatial-Spectral U-Mamba（SSUMamba），通过状态空间模型计算的线性空间复杂度，可以在模块内获得完整的全局空间-光谱相关性，同时引入了空间-光谱交替扫描（SSAS）策略，有助于建模三维高光谱图像中的信息流。

该论文的亮点包括：提出了一种新的深度学习模型，可以充分利用高光谱图像的特殊性质；引入了空间-光谱交替扫描（SSAS）策略，有助于建模三维高光谱图像中的信息流；在多个数据集上进行了实验，证明了该模型的有效性；开源了代码，方便其他研究者的使用和进一步研究。

近期在这个领域的相关研究包括：'Hyperspectral Image Denoising Using a Spatial-Spectral Non-Local Attention-Based CNN'、'Hyperspectral Image Denoising via Low-Rank Representation and Collaborative Sparse Coding'、'Hyperspectral Image Denoising Using a Robust Principal Component Analysis-Based Spatial-Spectral Group Sparse Representation'等。