Трансформер на основе множеств для атмосферной компенсации в дистанционной длинноволновой инфракрасной гиперспектральной съемке

Аннотация

Пассивная гиперспектральная съемка в длинноволновом инфракрасном (ДИК) диапазоне при дистанционной геометрии зависит от атмосферного поглощения и излучения, а также от отраженной радиации, что делает атмосферную компенсацию необходимой для получения информации о целевом объекте. Несмотря на свою важность, эта компенсация часто упускается из виду из-за практических и модельных трудностей. В данной работе мы представляем легковесную глубокую нейросетевую архитектуру на основе наборов данных, которая принимает на вход многократные измерения радиации, собранные на различных дистанциях, и совместно оценивает пропускание, атмосферное фоновое излучение и общий спектр нисходящего излучения. Мы анализируем полученное представление с помощью разреженного автоэнкодера и обнаруживаем, что некоторые латентные признаки активируются на географически связанных подмножествах тестовых данных, несмотря на отсутствие координатной разметки. Эксперименты на дистанционном ДИК-наборе данных, сгенерированном с помощью MODTRAN, демонстрируют низкое спектральное искажение для всех оцениваемых продуктов. Набор данных и код доступны по адресу: 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/