Transformer Baseado em Conjuntos para Compensação Atmosférica em Imageamento Hiperespectral LWIR à Distância

Resumo

A imageamento hiperespectral passivo no infravermelho de ondas longas (LWIR) sob uma geometria de distanciamento depende da absorção e emissão atmosféricas, bem como da radiância refletida, tornando assim a compensação atmosférica essencial para obter conhecimento sobre um alvo de interesse. Apesar de sua importância, essa compensação tem sido amplamente negligenciada devido à sua dificuldade prática e de modelagem. Neste artigo, apresentamos uma estrutura leve de aprendizado profundo baseada em conjuntos que recebe múltiplas medições de radiância, coletadas em diferentes distâncias de distanciamento, como entrada e estima conjuntamente a transmitância, a radiância do caminho atmosférico e um espectro de downwelling compartilhado. Analisamos a representação aprendida com um autoencoder esparso e observamos que várias características latentes ativam em subconjuntos geograficamente coerentes dos dados de teste, apesar da ausência de supervisão de localização. Experimentos em um conjunto de dados LWIR de distanciamento gerado pelo MODTRAN demonstram baixa distorção espectral em todos os produtos estimados. O conjunto de dados e o código estão disponíveis publicamente em: 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/