Transformer basé sur les ensembles pour la compensation atmosphérique en imagerie hyperspectrale LWIR à distance

Résumé

L'imagerie hyperspectrale passive dans l'infrarouge lointain (LWIR) en configuration distante dépend de l'absorption et de l'émission atmosphériques, ainsi que de la radiance réfléchie, ce qui rend la compensation atmosphérique essentielle pour obtenir des informations sur une cible d'intérêt. Malgré son importance, cette compensation a été largement négligée en raison des difficultés pratiques et de modélisation qu'elle présente. Dans cet article, nous présentons un cadre d'apprentissage profond léger basé sur des ensembles, qui prend en entrée plusieurs mesures de radiance collectées à différentes distances de mesure, et estime conjointement la transmittance, la radiance du trajet atmosphérique et un spectre de rayonnement descendant partagé. Nous analysons la représentation apprise à l'aide d'un autoencodeur parcimonieux et observons que plusieurs caractéristiques latentes s'activent sur des sous-ensembles géographiquement cohérents des données de test, malgré l'absence de supervision spatiale. Des expériences sur un jeu de données LWIR distant généré par MODTRAN montrent une faible distorsion spectrale pour tous les produits estimés. Le jeu de données et le code sont disponibles publiquement à l'adresse : 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/