面向不确定性感知光谱图像仿真的变分潜在空间框架

arXiv:2603.21911v3 公告类型：替换并交叉收录 摘要：合成光谱图像生成对于遥感仿真和任务设计至关重要，但基于物理的辐射传输模型（RTMs）的计算成本仍然很高。现有基于学习的仿真器降低了这一成本，但大多是确定性的参数到光谱回归器，空间建模能力有限，提供的不确定性信息也不足。我们将光谱图像仿真表述为一个以参数为条件的潜变量问题，并提出一个基于变分自编码器（VAE）的框架，融合了非线性光谱图像表征、快速推理和逐像素不确定性估计。该框架通过 VAE 预训练和潜在空间映射两个步骤，分别在光谱层面和空间—光谱层面实现。我们在 PROSAIL 模拟的高光谱植被数据立方体（211 个波段）和真实 Sentinel-3 OLCI 多光谱海洋水色影像（21 个波段）上对其进行评估，并与经典回归仿真器和深度 CNN 基线模型进行比较。结果表明，没有哪一种架构在所有情况下都是最优的：像素到像素模型在受控高光谱模拟中表现最佳，而全卷积 VAE 在含有缺失或受污染像素的带噪声真实观测数据上更具鲁棒性。基于 VAE 的仿真器在大规模生成中也实现了高吞吐量。在 Sentinel-3 数据上，空间—光谱 VAE 提供的预测区间比逐像素神经网络仿真器和经典仿真器更贴近经验误差，但绝对校准仍不充分。一项基于查找表的反演实验进一步表明，仅有重建保真度并不能确保叶面积指数和叶绿素反演的可靠性。因此，应在具有代表性的遥感最终应用场景中评估仿真器，而不能仅依据重建指标。