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

去噪是高光谱图像处理中至关重要的预处理步骤，因为噪声来自于图像内部机制和环境因素。长程空间-光谱相关建模对于高光谱图像去噪是有益的，但往往伴随着高计算复杂度。基于状态空间模型（SSM），Mamba以其卓越的长程依赖建模能力和计算效率而闻名。在此基础上，我们引入了一种内存高效的空间-光谱UMamba（SSUMamba）用于高光谱图像去噪，其中空间-光谱连续扫描（SSCS）Mamba是核心组件。SSCS Mamba按照六种不同的顺序交替行、列和波段来生成序列，并使用双向SSM来利用长程空间-光谱依赖性。在每个顺序中，图像在相邻扫描之间重新排列以确保空间-光谱连续性。此外，3D卷积被嵌入到SSCS Mamba中，以增强局部空间-光谱建模。实验表明，与基于变压器的方法相比，SSUMamba在每个批次的内存消耗更低，实现了更优秀的去噪效果。源代码可在https://github.com/lronkitty/SSUMamba上获取。

本文旨在解决高光谱图像去噪问题，提出了一种基于状态空间模型的空间-光谱UMamba方法，旨在提高长距离空间-光谱依赖性建模的计算效率。

本文提出了一种基于状态空间模型的空间-光谱UMamba方法，使用空间-光谱连续扫描（SSCS）Mamba作为核心组件，通过6种不同的顺序交替行、列和波段来生成序列，并使用双向SSM来利用长距离空间-光谱依赖关系。在每个顺序中，图像在相邻扫描之间重新排列以确保空间-光谱连续性。此外，还将3D卷积嵌入到SSCS Mamba中，以增强局部空间-光谱建模。

本文提出的UMamba方法在高光谱图像去噪方面取得了优异的结果，并且每批次的内存消耗比基于Transformer的方法更低。作者提供了源代码，并在GitHub上公开了。

最近的相关研究包括使用深度学习进行高光谱图像去噪的研究，如基于卷积神经网络（CNN）和自编码器（AE）的方法。