Transformer Basado en Conjuntos para Compensación Atmosférica en Imágenes Hiperespectrales LWIR de Largo Alcance

Resumen

La obtención de imágenes hiperespectrales pasivas en el infrarrojo de onda larga (LWIR) bajo una geometría de telemetría depende de la absorción y emisión atmosférica, así como de la radiancia reflejada, lo que hace que la compensación atmosférica sea esencial para obtener conocimiento sobre un objetivo de interés. A pesar de su importancia, esta compensación ha sido en gran medida ignorada debido a su dificultad práctica y de modelado. En este artículo, presentamos un marco de aprendizaje profundo ligero basado en conjuntos que toma múltiples mediciones de radiancia, recolectadas a diferentes distancias de telemetría, como entrada y estima conjuntamente la transmitancia, la radiancia de la trayectoria atmosférica y un espectro de downwelling compartido. Analizamos la representación aprendida con un autoencoder disperso y observamos que varias características latentes se activan en subconjuntos geográficamente coherentes de los datos de prueba, a pesar de la ausencia de supervisión de ubicación. Los experimentos en un conjunto de datos LWIR de telemetría generado con MODTRAN demuestran una baja distorsión espectral en todos los productos estimados. El conjunto de datos y el código están disponibles públicamente en: 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/