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

本文综述了非线性解混模型在高光谱遥感图像中的应用和发展。

Apr, 2013

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

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

本文提出了一种基于神经元的半二次优化技术的鲁棒性第一个非监督高光谱分离模型，该模型针对纯度未知的情况下如何准确进行分离和清晰谱带噪声的情况下如何去噪，通过引入基于神经元的指标和数据稀疏等约束条件来解决这些问题.

May, 2013

应用深度学习模型来矫正与解混合光谱，以提高荧光引导的神经外科中的高光谱成像 (HSI) 技术，结果表明深度学习模型能够更准确地估算荧光素 (PpIX) 的浓度，进一步改善脑肿瘤切除手术的效果。

Feb, 2024

本文将基于物理原理的方法与深度学习相结合，借助分散模型工具将光谱变异性考虑到算法中，并将测量数据分解为纯物质组成的混合物，使用卷积神经网络对分散模型参数进行反渲染预测以提高精度和速度，在可见到近红外和红外两个数据集上取得了最先进的结果。

Jul, 2020

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

在这篇研究论文中，我们提出了一种无需训练集的两阶段深度学习方法，用于解决去噪问题，并通过引入自适应先验改进了以往方法中的模糊输入。我们的方法结合了更先进的优化技术，相比以往工作实现了五倍的加速。此外，我们还理论上研究了对应的非凸线性问题的形态，结果表明这个问题在一阶算法中具有良好的几何收敛性。

Feb, 2024