Set-basierter Transformer für die Atmosphärenkompensation in der Standoff-LWIR-Hyperspektralbildgebung

Zusammenfassung

Passive hyperspektrale Bildgebung im langwelligen Infrarot (LWIR) unter einer Standoff-Geometrie hängt von atmosphärischer Absorption und Emission sowie von reflektierter Strahldichte ab, wodurch die atmosphärische Kompensation unerlässlich wird, um Kenntnisse über ein Zielobjekt zu erlangen. Trotz ihrer Bedeutung wurde diese Kompensation aufgrund ihrer praktischen und modellierungstechnischen Schwierigkeit weitgehend vernachlässigt. In dieser Arbeit stellen wir ein leichtgewichtiges, mengenbasiertes Deep-Learning-Framework vor, das mehrere Strahldichtemessungen, die in verschiedenen Standoff-Entfernungen erfasst wurden, als Eingabe nimmt und gemeinsam die Transmission, die atmosphärische Pfadstrahldichte und ein gemeinsames Downwelling-Spektrum schätzt. Wir analysieren die gelernte Repräsentation mit einem sparse Autoencoder und stellen fest, dass mehrere latente Merkmale auf geografisch kohärenten Teilmengen der Testdaten aktiviert werden, obwohl keine Standortüberwachung vorliegt. Experimente auf einem mit MODTRAN generierten Standoff-LWIR-Datensatz zeigen eine geringe spektrale Verzerrung über alle geschätzten Produkte hinweg. Der Datensatz und der Code sind öffentlich verfügbar unter: https://factral.co/SAE-LWIR/

English

Passive long-wave infrared (LWIR) hyperspectral imaging under a standoff geometry depends on atmospheric absorption and emission, as well as reflected radiance, thus making atmospheric compensation essential to get knowledge of a target of interest. Despite its importance, this compensation has been largely overlooked due to its practical and modeling difficulty. In this paper, we present a lightweight set-based deep learning framework that takes multiple radiance measurements, collected at different standoff ranges, as input and jointly estimates transmittance, atmospheric path radiance, and a shared downwelling spectrum. We analyze the learned representation with a sparse autoencoder and observe that several latent features do activate on geographically coherent subsets of the test data despite the absence of location supervision. Experiments on a MODTRAN generated standoff LWIR dataset demonstrate low spectral distortion across all estimated products. The dataset and code is publicly available at: https://factral.co/SAE-LWIR/