基于渐进式自监督学习的高光谱图像异常检测框架研究

针对高光谱异常检测(HAD)中显式先验限制数据表达能力及外部数据域差异问题，研究人员提出了一种基于无训练过参数化神经网络的渐进式自监督框架。该框架通过动态更新的渐进先验(progressive prior)从数据本身提取隐式特征，在六大数据集上实现曲线下面积(AUC)提升0.0129，为复杂场景下的目标检测提供了无需外部数据的解决方案。

　　

高光谱成像技术凭借数百个光谱通道的丰富信息，在环境监测、精准农业等领域展现出巨大潜力。然而，传统异常检测方法面临两大困境：依赖显式先验（如稀疏性、低秩性）限制了复杂特征的捕捉能力，而基于外部数据预训练的模型又存在域差异问题。这些瓶颈使得现有方法难以平衡检测精度与泛化能力。为此，西安某高校团队在《Engineering Applications of Artificial Intelligence》发表的研究，创新性地提出了基于神经隐式先验的渐进式优化框架。

研究采用三项核心技术：1）利用奇异值分解(SVD)初始化背景与异常目标；2）通过无训练过参数化神经网络生成动态更新的渐进先验(progressive prior)；3）采用群稀疏范数约束异常目标。实验覆盖San Diego等六个高光谱数据集。

【渐进优化框架】
通过构建包含保真项、渐进背景正则项和异常约束的三元目标函数，实现背景与异常的迭代分离。其中渐进先验通过神经网络参数更新动态表达，克服了固定先验的局限性。

【渐进先验生成】
采用深度图像先验(DIP)原理，利用神经网络架构本身作为正则化器。实验表明，该隐式先验在迭代中持续增强背景-异常对比度，其动态特性优于传统显式约束。

【实验结果】
在Texas Coast等数据集上，该方法AUC值达0.9832，较最优基线提升1.29%。可视化结果显示，该方法能有效抑制背景噪声（如云层干扰），同时保留弱异常目标。

研究结论指出，该框架突破性地实现了"数据自供给"的检测范式：1）消除对外部数据的依赖，规避域差异问题；2）动态先验整合了多重隐式约束，在复杂地物场景中表现出更强适应性。尽管在计算效率方面存在提升空间，但为高光谱信息处理提供了新的方法论指导，其渐进式学习机制可扩展至其他无监督检测任务。值得注意的是，该方法在军事侦察、生态监测等需实时处理的领域具有特殊价值，其无预训练特性显著降低了工程部署门槛。