引言
高光谱异常检测（HAD）在遥感（Liu, Jiang, Xie, Zhang, Li, Fang, 2025b, Xie, Lei, Liu, Li, Jia, 2019）、环境监测（Goudemant, Francesconi, Aubrun, Kervennic, Grenet, Bobichon, Bellizzi, 2024, Zare-Baghbidi, Homayouni, 2013）、军事侦察（Hupel, Stütz, 2022, Tiwari, Arora, Singh, 2011）和医学成像（Wang et al., 2020）等领域具有广泛应用。高光谱成像（HSI）通过捕获数百个连续光谱波段，提供了丰富的空间-光谱信息，可用于检测细微的异常，例如杂乱背景中的小目标（Gross, Queck, V?gtli, Schreiner, Kuester, B?hler, Mispelhorn, Kneubühler, Middelmann, 2021, Shimoni, Haelterman, Perneel, 2019）以及医学图像中的恶性组织（Liu, Zhang, Xu, Wang, Pan, Ma, Xia, 2026, Zhang, Mou, Shan, Zhang, Qi, Yu, Zhu, Sun, Zheng, Ma, 2024a）。
然而，高光谱异常检测仍然面临巨大挑战，原因在于光谱维度高、背景异质性强，以及空间、光谱和频率依赖关系的共存。空间依赖关系刻画像素之间的局部和长距离关联；光谱依赖关系描述波段间的关联，包括非局部和非欧几里得关系；频率依赖关系则区分平滑的背景结构与与小目标、边界和噪声相关的局部高频变化（Lian, Wang, Sun, Huang, 2024, Tu, Yang, He, Chen, Li, Plaza, 2024）。这些结构上不同的依赖关系可能无法通过单一均匀算子得到充分建模。
传统方法主要基于统计建模和子空间分析。例如，著名的 Reed-Xiaoli（RX）检测器（Reed and Yu, 1990）假设背景服从多元高斯分布，并将偏离该分布的样本标记为异常。后续方法通过矩阵分解或张量表示引入稀疏和低秩先验，以更好地保留高光谱立方体的固有结构。尽管这些方法在一定程度上有效，但它们依赖于人工设计的假设和线性模型，限制了其处理非线性和异质数据的能力。
随着深度学习的兴起，高光谱异常检测受益于非线性表示学习和端到端背景重建。卷积神经网络（CNNs）（Cheng et al., 2024）能够捕获局部空间模式，但受限于有限的感受野。Transformer 通过自注意力机制扩展了感受野并捕获长距离依赖关系（Lian et al., 2024），但其二次复杂度阻碍了向大型高光谱数据的可扩展性。近年来，Mamba 等状态空间模型（Liu, Peng, Chang, Wang, Wen, Zhu, 2025a, Zhu, Liao, Zhang, Wang, Liu, Wang, 2024）作为高效替代方案应运而生，以线性复杂度提供了全局感受野。同时，基于图的方法在建模非欧几里得光谱关系方面显示出潜力（Sheng, Li, Chen, 2024, Tu, Yang, He, Chen, Li, Plaza, 2024）。然而，大多数先前的工作仅采用单一的建模范式——卷积、注意力或图学习——这可能限制了其同时利用空间、光谱和频率线索的能力。
特别是，光谱维度引入了额外的复杂性：由于生物化学吸收或散射效应（如水、血红蛋白、叶绿素），远距离波长之间可能存在相关性。虽然基于图的模型可以捕获此类依赖关系，但它们往往忽略频率线索，且很少与空间建模无缝集成。同样，频率感知分解可以增强异常的显著性，但在缺乏显式光谱-拓扑建模的情况下，重要的波段间关系可能仍未得到充分挖掘。这凸显了需要一个统一的神经网络框架来联合利用空间、光谱和频率结构以实现有效的异常检测。
HAD-MSF 的动机在于利用互补的归纳偏置来解决高光谱数据中异质的空间、光谱和频率依赖关系。在基于重建的高光谱异常检测中，背景结构通常具有空间连贯性并以平滑分量为主，而异常往往表现为局部频率扰动和偏离周围光谱关系的部分。因此，HAD-MSF 在统一的重建框架中结合了频率分解、长距离状态空间建模和图传播，而非依赖于单一的特征提取器。
为此，我们提出了 HAD-MSF，一种在统一架构中集成互补的领域特定表示的神经网络重建框架。首先，AdaWAT 将高光谱立方体分解为低频结构和高频细节，提供对异常敏感的频率分离。这些分量随后由空间-频率 Mamba 模块处理，该模块利用状态空间建模以线性复杂度捕获长距离依赖关系。与此同时，空间-光谱图卷积网络对像素级拓扑和波段间相关性进行建模。最后，一个轻量级门控机制自适应地融合两个分支的输出到一个紧凑的重建网络中，异常被识别为残差。
HAD-MSF 在无异常标注的情况下进行训练。分离训练过程中使用的软异常权重是通过重建残差在线生成的，而非来自真实标签，从而保持了所提框架的无监督设置。
在三个遥感和两个医学高光谱数据集上的实验表明，HAD-MSF 在多个评估标准下提供了具有竞争力的均衡检测性能，同时补充分析验证了所提各组件的贡献，并揭示了跨场景迁移的剩余挑战。
本工作的主要贡献总结如下：
- •
我们将高光谱异常检测建模为一个异质结构建模问题，并提出 HAD-MSF 在无监督重建框架中联合建模空间-频率和空间-光谱依赖关系。
- •
我们开发了一个空间-频率分支，将 AdaWAT 分解与 SF-Mamba 相结合，以建模平滑背景结构和局部异常敏感细节，同时捕获长距离空间上下文。
- •
我们构建了一个互补的空间-光谱图分支来建模邻域拓扑和波段间关系，并引入自适应门控在重建过程中融合两个分支。
- •
在三个遥感和两个医学高光谱数据集上的大量实验，结合组件分析、融合分析、全波段分析、鲁棒性分析和跨场景分析，验证了所提框架在异质高光谱场景中的有效性。
本文其余部分组织如下。第 2 节回顾相关的高光谱异常检测方法。第 3 节介绍所提出的 HAD-MSF 框架。第 4 节报告实验结果和分析。第 5 节总结本文并讨论局限性和未来工作。
