论文页面 - 基于集合的Transformer用于远距离LWIR高光谱成像中的大气补偿

来源: https://huggingface.co/papers/2606.08324

摘要

本文提出了一种轻量级深度学习框架，用于被动长波红外高光谱成像中的大气补偿，能够从多距离辐射测量中联合估计透射率、大气路径辐射和向下辐射光谱。

在远距离几何条件下进行被动长波红外高光谱成像依赖于大气吸收和发射以及反射辐射，因此大气补偿对于获取目标信息至关重要。尽管其重要性不言而喻，但由于实际和建模上的困难，这一补偿在很大程度上被忽视。在本文中，我们提出了一种轻量级基于集合的深度学习框架（https://huggingface.co/papers?q=set-based%20deep%20learning%20framework），该框架以在不同远距离范围内收集的多个辐射测量值作为输入，联合估计透射率、大气路径辐射（https://huggingface.co/papers?q=atmospheric%20path%20radiance）和共享的向下辐射光谱（https://huggingface.co/papers?q=downwelling%20spectrum）。我们使用稀疏自编码器（https://huggingface.co/papers?q=sparse%20autoencoder）分析了学习到的表示，并观察到几个潜在特征确实在测试数据的地理一致子集上激活，尽管没有位置监督。在MODTRAN生成的远距离LWIR数据集上的实验表明，所有估计产品上的光谱失真都很低。数据集和代码公开于：https://factral.co/SAE-LWIR/

查看arXiv页面（https://arxiv.org/abs/2606.08324） 查看PDF（https://arxiv.org/pdf/2606.08324） 项目页面（https://factral.co/SAE-LWIR/） GitHub0（https://github.com/Factral/SAE-LWIR） 添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2606.08324）

引用此论文的模型0

没有模型链接此论文

请在一个模型的README.md中引用arxiv.org/abs/2606.08324以从此页面链接。

引用此论文的数据集1

SemilleroCV/SAE-LWIR 更新于约6小时前 • 41 • 1（https://huggingface.co/datasets/SemilleroCV/SAE-LWIR）

引用此论文的Space0

没有Space链接此论文

请在一个Space的README.md中引用arxiv.org/abs/2606.08324以从此页面链接。

包含此论文的收藏0

没有收藏包含此论文

请将此论文添加到一个收藏（https://huggingface.co/new-collection）中以从此页面链接。