arXiv:2508.21618cs.LGcs.AI2025-08被引 2
用物理约束的深度学习模型，让高光谱图像自动分离并精准建模。
Physics-Informed Spectral Modeling for Hyperspectral Imaging
- 基于物理规律设计无监督学习框架，用连续基函数建模高光谱数据。
- 在分类与回归任务中表现优于已有方法，仅需少量标注数据。
- 潜空间可解释，适合需要理解模型决策的研究者。
我们提出 PhISM，一种物理信息驱动的深度学习架构，可在无监督条件下显式解耦高光谱观测，并使用连续基函数进行建模。PhISM 在多个分类与回归基准上超越现有方法，所需标注数据极少，且得益于可解释的潜在表示，提供了额外的分析洞察。
原文摘要 · Abstract (English)
We present PhISM, a physics-informed deep learning architecture that learns without supervision to explicitly disentangle hyperspectral observations and model them with continuous basis functions. PhISM outperforms prior methods on several classification and regression benchmarks, requires limited labeled data, and provides additional insights thanks to interpretable latent representation.
高光谱无监督可解释性物理模型
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。