广义多尺度捆绑式高光谱稀疏解混算法
内容提要
该文综述了高光谱解混与融合方法的发展，涵盖混合模型、稀疏与空间上下文算法、凸优化、深度学习及端元变异性处理，并介绍了SUnSAL、EndNet等新算法，实验表明其在精度和效率上优于现有技术。
延伸解读
从线性到非线性：混合模型的演进
文章梳理了高光谱解混中混合模型的发展脉络。早期方法多基于线性混合模型，假设像素是端元的线性组合。然而，实际场景中物质分布往往非高斯，且存在非线性混合效应。为此，研究者引入高斯混合模型描述端元变化，并发展出基于分散模型的物理方法，以更准确地刻画复杂混合过程。这种从线性到非线性的演进，反映了对真实场景建模精度的不断追求。
凸优化与稀疏解混：SUnSAL 的贡献
在解混算法中，凸优化方法因其理论保证而备受关注。文章重点介绍了 SUnSAL 和 C-SUnSAL 算法，它们基于交替方向乘子法，能有效求解稀疏解混中的凸优化问题。这些算法在速度和准确性上优于传统方法，为高光谱解混提供了高效工具。同时，稀疏正则化项的引入有助于利用高光谱数据的稀疏特性，提升解混性能。
深度学习与可解释性：EndNet 等新方法
近年来，深度学习被引入高光谱解混，以处理非线性和端元变异性。文章提到 EndNet 等基于自编码器的网络，通过优化结构和引入光谱角度距离度量，实现了端元提取与丰度估计的联合优化。此外，可解释的深度学习方法利用概率变分框架和解缠态学习，在提升性能的同时增强了模型透明度。这些方法在合成和真实数据集上均表现出优势。
多源数据融合：提升空间分辨率
高光谱图像常面临空间分辨率不足的问题。文章综述了融合高光谱与多光谱图像的方法，例如基于变分的方法将融合视为逆问题，并设计稀疏正则化项；以及基于凸优化的方法，使用向量全变差正则化，通过 SALSA 算法求解。这些融合技术能生成高分辨率的高光谱图像，为后续解混等任务提供更丰富的信息。
Q&A
高光谱解混中如何处理端元变异性？
文章提到使用高斯混合模型来表示端元变化，因为现实应用中物质分布通常不是高斯分布。通过两种视角验证了高斯混合模型与线性混合模型推导混合像素分布的关系，并基于此给出了一种用于估计混合像素分布和端元的方法，在合成数据和真实数据上验证了效果。
SUnSAL和C-SUnSAL算法有什么特点？
SUnSAL和C-SUnSAL是两种新算法，用于解决凸优化问题，特别是在高光谱分离中。它们基于交替方向乘子方法，可用于解决CBP和CBPDN问题以及CLS和FCLS问题。实验结果表明，这些算法在速度和准确性方面优于现有的方法。
EndNet是如何进行端元提取和高光谱反混合的？
EndNet是一种基于两阶段自编码器网络的新型端元提取和高光谱反混合方案，其结构完全优化和重组，通过引入额外的层和投影度量（即光谱角度距离（SAD）而不是内积）得到最优解，最后通过基于随机梯度的方法来扩展其可处理规模，该方法得到显著改进，表现优于文献中的现有技术。
高光谱和多光谱图像融合有哪些方法？
文章提到了两种融合方法：一种是基于变分的方法，将融合过程表示为一个逆问题，并设计了一种稀疏正则化项；另一种是基于凸优化的方法，使用向量全变差作为正则化项，通过Split Augmented Lagrangian Shrinkage Algorithm（SALSA）算法实现优化。仿真结果表明，这些算法相比现有融合方法更加高效。
深度学习在高光谱解混中如何实现可解释性？
文章提出了一种新的可解释的深度学习方法，用于处理高光谱混合问题，该方法考虑了非线性和端元变异性，并利用概率变分深度学习框架和解缠态学习来实现丰度和端元的分离，通过使用两个流的神经网络以及多个组成元素的附加分段线性/非线性组件来提供高度的可解释性，并通过合成和真实数据集的实验证明了该方法的性能优于现有算法。
高光谱解混中如何结合物理原理与深度学习？
文章将基于物理原理的方法与深度学习相结合，借助分散模型工具将光谱变异性考虑到算法中，并将测量数据分解为纯物质组成的混合物，使用卷积神经网络对分散模型参数进行反渲染预测以提高精度和速度，在可见到近红外和红外两个数据集上取得了最先进的结果。
