원거리 LWIR 초분광 영상에서 대기 보정을 위한 집합 기반 트랜스포머

초록

수동 장파장 적외선(LWIR) 초분광 이미징은 원거리 기하 구조에서 대기 흡수 및 방출, 그리고 반사 복사휘도에 의존하므로, 관심 대상에 대한 정보를 얻기 위해서는 대기 보정이 필수적이다. 그러나 그 중요성에도 불구하고, 이러한 보정은 실제적 및 모델링 어려움으로 인해 대부분 간과되어 왔다. 본 논문에서는 서로 다른 원거리 범위에서 수집된 다중 복사휘도 측정값을 입력으로 받아 투과율, 대기 경로 복사휘도, 그리고 공유된 하향 복사 스펙트럼을 공동으로 추정하는 경량 집합 기반 딥러닝 프레임워크를 제시한다. 우리는 희소 오토인코더로 학습된 표현을 분석하였고, 위치 정보 없이도 여러 잠재 특성이 시험 데이터의 지리적으로 일관된 부분집합에서 활성화됨을 관찰하였다. MODTRAN으로 생성된 원거리 LWIR 데이터셋에 대한 실험은 모든 추정 결과에서 낮은 스펙트럼 왜곡을 보여준다. 데이터셋과 코드는 https://factral.co/SAE-LWIR/ 에서 공개적으로 이용 가능하다.

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/