スタンドオフ長波長赤外ハイパースペクトルイメージングにおける大気補正のためのセットベーストランスフォーマー

要旨

スタンドオフジオメトリでのパッシブ長波長赤外（LWIR）ハイパースペクトルイメージングは、大気吸収・放射および反射放射に依存するため、対象物の情報を得るには大気補正が不可欠である。その重要性にもかかわらず、この補正は実際の適用やモデル化の難しさからほとんど見過ごされてきた。本論文では、異なるスタンドオフ距離で収集された複数の放射輝度測定値を入力とし、透過率、大気経路放射、および共通の下降放射スペクトルを同時に推定する軽量なセットベースの深層学習フレームワークを提案する。学習された表現をスパースオートエンコーダで分析したところ、位置情報の教師なしにもかかわらず、いくつかの潜在特徴がテストデータの地理的に一貫したサブセットで活性化していることが観察された。MODTRANで生成されたスタンドオフLWIRデータセットでの実験により、推定されたすべてのプロダクトにおいて低いスペクトル歪みが示された。データセットとコードは https://factral.co/SAE-LWIR/ で公開されている。

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/