Setgebaseerde transformer voor atmosferische compensatie in standoff-langegolf-infrarood hyperspectrale beeldvorming

Samenvatting

Passieve lange-golf infrarood (LWIR) hyperspectrale beeldvorming onder een standoff-geometrie is afhankelijk van atmosferische absorptie en emissie, evenals gereflecteerde straling, waardoor atmosferische compensatie essentieel is om kennis te verkrijgen over een interessant doelwit. Ondanks het belang ervan wordt deze compensatie grotendeels over het hoofd gezien vanwege de praktische en modelmatige moeilijkheden. In dit artikel presenteren wij een lichtgewicht, op sets gebaseerd deep learning-raamwerk dat meerdere stralingsmetingen, verzameld op verschillende standoff-afstanden, als input neemt en gezamenlijk de transmissie, atmosferische padstraling en een gedeeld downwelling-spectrum schat. We analyseren de geleerde representatie met een sparse autoencoder en observeren dat verschillende latente kenmerken activeren op geografisch coherente subsets van de testdata, ondanks het ontbreken van locatiesupervisie. Experimenten op een met MODTRAN gegenereerde standoff LWIR-dataset tonen een lage spectrale vervorming aan voor alle geschatte producten. De dataset en code zijn openbaar beschikbaar op: 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/