基于潜在扩散模型的高光谱图像分类与生成框架研究

本文提出了一种创新的高光谱图像(HSI)分类框架，通过潜在扩散模型(LDM)在低维潜在空间实现光谱-空间特征融合。该研究突破了传统方法在高维数据建模中的维度爆炸难题，采用特征压缩策略将HSI数据映射至低维空间进行扩散建模，通过反向去噪过程提取判别性特征。实验表明，该方法在IP、PU等公开数据集上显著优于现有技术(SOTA)，为HSI分类提供了新思路。

　　

Highlight

本研究创新性地提出基于潜在扩散模型(Latent Diffusion Model, LDM)的高光谱图像(HSI)分类框架，通过低维潜在空间的生成扩散机制模拟高维光谱-空间特征分布。相较于直接在原始数据空间建模的传统方法，该框架采用特征压缩策略将HSI数据降维至潜在空间，有效规避了维度爆炸问题。

Methodology

框架包含两大核心模块：

1. 光谱-空间扩散模块：通过前向扩散过程将高维HSI数据（尺寸H×W×B）分割为局部块，采用主成分分析(PCA)降维至潜在空间，注入渐进式噪声；通过反向去噪网络恢复原始维度并提取融合特征

2. 注意力分类模块：将潜在空间提取的特征输入基于Transformer的分类器，实现端到端训练

创新性体现在三方面：

• 首创在潜在空间进行HSI扩散建模，降低计算复杂度

• 通过压缩-解压缩策略保留判别性特征

• 特征提取过程避免维度膨胀，提升分类鲁棒性

Datasets

在三个经典HSI数据集验证性能：

1. 印度松树(Indian Pines)数据集：AVIRIS传感器采集，224波段(0.4-2.5μm)，145×145像素

2. 帕维亚大学(Pavia University)数据集

3. 萨利纳斯(Salinas)数据集

Conclusion

该框架通过潜在空间建模有效解决了HSI分类中的维度灾难问题，实验证明其在保持特征判别力的同时显著提升分类精度，为高维遥感数据处理提供了新范式。