基于小波增强扩散模型与空间-频率注意力机制的高光谱异常检测方法WDHAD研究

针对高光谱异常检测(HAD)中背景抑制不足和特征提取不充分的问题，研究人员提出了一种结合小波变换(2D-DWT)和扩散模型(DM)的WDHAD框架。通过低频扩散模型(LFDM)和高频增强模块(HFEM)的并行处理，实现了背景噪声抑制与边缘特征保留的平衡，在6个公开数据集和2个无人机(UAV)数据集上验证了其优越的跨域适应性。该研究为复杂场景下的高光谱目标识别提供了新思路。

　　

高光谱成像技术(HSI)在环境监测、军事侦察等领域具有重要应用价值，但其海量数据和复杂背景使得异常检测(HAD)面临巨大挑战。传统方法如RX检测器(Reed-Xiaoli detector)依赖高斯分布假设，在复杂场景中性能受限；深度学习方法虽能自动提取特征，但存在高频细节丢失、计算成本高等问题。如何实现高效精准的异常检测，同时保持对传感器噪声和场景变化的鲁棒性，成为该领域亟待突破的瓶颈。

针对这一难题，中国的研究团队创新性地将小波变换与扩散模型相结合，提出了WDHAD框架。该研究通过离散小波变换(2D-DWT)将高光谱数据分解为低频背景(LFC)和高频细节(HFC)成分，分别采用低频扩散模型(LFDM)和高频增强模块(HFEM)进行并行处理，最终通过逆向小波变换(2D-IDWT)重构检测结果。相关成果发表在《International Journal of Applied Earth Observation and Geoinformation》，为高光谱分析提供了新范式。

研究采用三项核心技术：1) 基于Haar小波的频域分解技术实现多尺度特征分离；2) 融合空间注意力(SAM)和频域注意力(FAM)的U型去噪自编码器(LFDAE)；3) 负对数似然噪声损失函数(NLL)提升模型鲁棒性。实验数据涵盖AVIRIS、HYDICE等传感器获取的6类标准数据集和2组无人机实测数据(UHAD-U)。

研究结果部分，作者通过系统实验验证了WDHAD的优越性：
2.1节 整体架构设计
通过2D-DWT分解后的双路径处理，LFDM模块采用逐步加噪-去噪策略，结合空间-频率注意力块(SFAB)有效提取全局结构；HFEM模块通过跨注意力(CA)和膨胀残差块(DRB)增强局部特征，最终融合实现背景抑制与异常突出。

2.3节 低频扩散模型
设计的LFDAE网络在噪声预测中引入时间嵌入机制，其多尺度SFAB模块通过并行SAM（采用多尺度卷积和SEBlock）与FAM（基于局部窗口自注意力）的协同作用，在Urban-I数据集上达到0.9972的AUC(P_D,P_F)，较传统方法提升3.6%。

2.4节 高频增强模块
采用深度可分离卷积(DepthConv)和跨尺度特征交互策略，在SpecTIR数据集上使微小人工目标的检测率提升21%，同时将背景误报率控制在0.0046（AUC(P_F,τ)）。

3.2节 性能验证
在UHAD-U无人机数据中，WDHAD对遮挡目标的检测精度达96.52%，显著优于对比方法。盒形图分析显示其异常-背景可分性指数较次优方法提高1.8倍。

3.5节 组件分析
消融实验证实：并行SAM-FAM结构比串行方案AUC提升0.7%；扩散步数T=1000时在检测精度(99.28%)与耗时(10.38s)间取得最优平衡；双SFAB配置在参数量(1.43M)和计算量(4.23G FLOPs)方面展现最佳性价比。

该研究的创新性体现在三方面：首先，将扩散模型的渐进生成能力与小波的多尺度分析优势相结合，解决了传统方法在频域特征提取中的偏差问题；其次，设计的空间-频率双注意力机制突破了单一域建模的局限；最后，NLL损失函数的引入显著提升了模型在噪声环境下的稳定性。在UAV数据集上的成功验证，更凸显了其在动态场景中的实用价值。未来通过轻量化改进，有望推动该技术在星载、机载平台的广泛应用，为高光谱遥感智能解译提供新工具。