通过将多尺度空间正则化方法推广到无混合问题中，通过融合组稀疏诱导混合范数，提出了一种噪声鲁棒的方法，能够在合理的计算成本下利用束结构处理端元变异，并确保丰度估计的类内和类间稀疏性。同时，我们还提出了一种通用的启发式方法，通过多次运行混合过程选择得到最具代表性的丰度估计，从而获得具有鲁棒性和高可复现性的解决方案。实验结果表明，在与相关方法比较时，所得结果的鲁棒性和一致性。

Jan, 2024

本论文介绍了从 Keshava 和 Mustard 的分离教程 [1] 到现在的分离方法的概述。混合模型首先被讨论。描述了信号子空间，几何，统计，稀疏基础和空间上下文分离算法。同时讨论了数学问题和潜在解决方案。通过实验展示算法特征。

Feb, 2012

基于深度学习的无监督非线性高光谱解混合方法通过结合通用非线性模型而不做特定假设，引入两个分支，一方面通过重构高光谱图像的行来学习端元，另一方面通过对应图像的列来学习丰度值，并利用多任务学习来强制两个分支协同工作，从而提高解混合网络的性能，通过对合成和实际数据的广泛实验验证了该方法的有效性并与一些最先进的高光谱解混合方法进行了比较。

Feb, 2024

本文提出了一种新的可解释的深度学习方法，用于处理高光谱混合问题，该方法考虑了非线性和端元变异性，并利用概率变分深度学习框架和解缠态学习来实现丰度和端元的分离，通过使用两个流的神经网络以及多个组成元素的附加分段线性 / 非线性组件来提供高度的可解释性，并通过合成和真实数据集的实验证明了该方法的性能优于现有算法。

Oct, 2023

研究鲁棒子空间聚类问题，提出使用基于 correntropy 的度量方法解决非高斯和冲击噪声问题，进一步扩展方法处理异常值数据，实验证明该方法更加鲁棒。

Jan, 2015

本文提出了一种基于两阶段自编码器网络的新型端元提取和高光谱反混合方案 EndNet，其结构完全优化和重组，通过引入额外的层和投影度量（即光谱角度距离（SAD）而不是内积）得到最优解，最后通过基于随机梯度的方法来扩展其可处理规模，该方法得到显著改进，表现优于文献中的现有技术。

Aug, 2017

该研究提供了先进和传统的混合解析方法的概述，并从三个类别进行了关键比较。同时，实验结果显示了不同混合解析场景下不同解析类别的优势，并提供了一个基于 Python 的开源软件包以重现结果。

Aug, 2023

本文介绍了一种针对半监督 / 基于库的解混合的新型线性模型，该模型结合了库不匹配的考虑，同时实现了丰度总和为一的约束 (ASC)。与传统的稀疏解混合方法不同，该模型涉及非凸优化，带来了显著的计算挑战。我们证明了交替乘子法 (ADMM) 在循环解决这些复杂问题方面的有效性。我们提出了两种半监督解混合方法，分别依赖于应用于新模型和 ASC 的不同先验：稀疏性先验和凸性约束。我们的实验结果验证了对端元库施加凸性约束优于稀疏性先验。这些结果在三个模拟数据集 (考虑光谱变异性和不同像素纯度级别) 和 Cuprite 数据集上得到了验证。此外，我们与传统稀疏解混合方法的比较展示了我们提出的模型的明显优势，该模型涉及非凸优化。值得注意的是，我们提出的算法 (快速半监督解混合 FaSUn 和软阈值稀疏解混合 SUnS) 的实现要比传统稀疏解混合方法高效得多。SUnS 和 FaSUn 使用 PyTorch 实现，并在一个名为 Fast Semisupervised Unmixing (FUnmix) 的专用 Python 包中提供，该包是开源的，可在此 URL 获取。

Jan, 2024

考虑端元变化的高光谱解混存在现实应用中物质分布通常不是高斯分布，本文提出使用高斯混合模型表示端元变化，通过两种视角验证了使用高斯混合模型与线性混合模型推导混合像素分布的关系，基于此给出了一种用于估计混合像素分布和端元的方法，并在合成数据和真实数据上验证其效果。

Sep, 2017

基于自编码神经网络的高光谱解混算法在化学计量学领域中可以更准确、更稳定、更高效地分离复杂混合物质，同时也适用于基于细胞的生物学研究中改进体积拉曼成像数据的生化特征分析。

Mar, 2024