一、先确定你的知识树#
你的毕设方向其实横跨四块:
工业高光谱异常检测
│
┌────────────────┼─────
↓ ↓ ↓
高光谱基础 图像恢复/去噪 异常检测
│ │ │
子空间 低秩先验 RX
光谱特征 稀疏先验 背景建模
空间特征 PnP 重建残差
光谱混合 Diffusion AutoEncoder
│ │ │
└────────────────┼─────
↓
现代深度学习方法
│
Transformer/Mamba
Foundation Model
│
↓
工业质检应用目标不是把所有领域都学透。
而是达到:
能读懂 HAD 和 HSI Restoration 论文,能复现代码,知道论文为什么这么设计,并能够自己判断“这个模块有没有改进空间”。
二、第一阶段:先建立领域地图#
这一阶段先不要逐公式啃论文。
Paper 0:先读一篇综述#
Hyperspectral Anomaly Detection Using Deep Learning: A Review#
Remote Sensing, 2022。
这篇先让你知道 HAD 的方法大概有哪些类别,包括传统统计、表示学习、自动编码器、深度学习等。MDPI
这一篇目标只有:
读完能画出这张图:
HAD
│
├── 统计方法
│ └── RX / KRX
│
├── 表示方法
│ ├── Sparse Representation
│ ├── Collaborative Representation
│ └── Low-Rank Representation
│
└── Deep Learning
├── CNN
├── AutoEncoder
├── Transformer
└── Mamba不用复现。
达标标准#
如果我问:
为什么 HAD 一般是无监督的?
HAD 和目标检测有什么区别?
为什么高光谱能发现 RGB 看不见的异常?
现在 HAD 大概分几类方法?
能用自己的话解释。
三、第二阶段:HAD 的三个经典方法#
这三篇非常重要。
Paper 1 ★★★★★#
Reed & Yu, 1990#
Adaptive Multiple-Band CFAR Detection of an Optical Pattern with Unknown Spectral Distribution
也就是 HAD 里最经典的:
RX Detector#
发表于 1990 年,是后来大量高光谱异常检测工作的基准。Meta Science Observatory
你必须真正理解:
背景像素
≈
多元高斯分布对于一个像素 \(x\):
它离背景分布中心越远
↓
Mahalanobis Distance 越大
↓
越可能是异常必须掌握#
- 均值向量;
- 协方差矩阵;
- Mahalanobis Distance;
- 为什么不用欧氏距离;
- Global RX 和 Local RX;
- ROC;
- AUC;
- False Positive / True Positive。
复现要求#
这个最好你自己用 Python 从零写出来。
不要调用别人完整实现。
最后做到:
anomaly_map = RX(hsi)四、Paper 2 ★★★#
Kernel RX-Algorithm: A Nonlinear Anomaly Detector for Hyperspectral Imagery#
IEEE TGRS, 2005。
它把 RX 从原空间扩展到 kernel feature space,解决简单高斯/线性模型能力有限的问题。ResearchGate
你不需要深入 kernel theory。
重点理解:
RX为什么有限?
Kernel Trick为什么能处理非线性背景?
然后知道:
RX
↓
线性背景
KRX
↓
非线性背景即可。
这篇理解思想,不要求完整复现。
五、Paper 3 ★★★★★#
Collaborative Representation for Hyperspectral Anomaly Detection#
Li & Du,IEEE TGRS,2015。
这是异常检测从:
“统计分布”
转向:
“背景能不能被其他背景像素表示”
的重要方法。论文核心是:背景像素可以由邻域中的其他背景像素较好地协同表示,而异常通常不能。IEEE Xplore
你一定要理解这句话:
如果 x 是背景:
x ≈ Dα
误差小
如果 x 是异常:
x ≠ Dα
误差大于是:
reconstruction error
↓
anomaly score这其实已经开始接近后面的 DeCNN-AD 和 MMR-HAD。
必须掌握#
- Dictionary 是什么;
- Representation coefficient 是什么;
- L1 和 L2 正则大概有什么区别;
- reconstruction error;
- 为什么异常难被背景字典表示。
六、Paper 4 ★★★★★#
Anomaly Detection in Hyperspectral Images Based on Low-Rank and Sparse Representation#
IEEE TGRS,2015/2016。
这篇特别重要,因为它把一个后来非常核心的思想讲得很清楚:
HSI
X = L + S
L:Low Rank
大量背景
S:Sparse
少量异常背景往往具有较强相关性,因此可以用低秩结构描述;异常数量较少,对应稀疏部分。ResearchGate
这一步非常关键。
因为以后你看:
- DeCNN-AD;
- RoSEGS;
- MMR-HAD;
- 很多 HSI restoration;
都会不断碰到:
low rank / sparse / subspace。
达标要求#
看到:
\[ X=L+S+N \]你马上知道:
X:观测HSI
L:背景/干净信号
S:异常/稀疏噪声
N:Gaussian Noise而不是看到公式就懵。
七、这里插入一篇基础理论 Paper 5#
Hyperspectral Subspace Identification#
Bioucas-Dias & Nascimento,IEEE TGRS 2008。
也就是著名的:
HySime
这篇不是异常检测,但是对你后面 RoSEGS 特别重要。
它研究:
几百个光谱波段真的有几百个独立信息维度吗?
答案通常是否。
HSI 数据实际上常常落在一个低维子空间中。HySime 就是在自动估计这个信号子空间。IT.pt
必须搞懂:
300 Bands
↓
实际上很多高度相关
↓
有效维度可能远小于300
↓
HSI ≈ E × Z其中:
E:spectral basis
Z:reduced image你将来读 RoSEGS 时会反复见到这一结构。
八、第三阶段:正式进入符老师课题组#
这时候再读那三篇。
你会发现难度一下下降很多。
Paper 6 ★★★★★ 核心#
DeCNN-AD#
Hyperspectral Anomaly Detection via Deep Plug-and-Play Denoising CNN Regularization
IEEE TGRS,2021。
符老师的代表性 HAD 工作之一。
它从低秩表示和 dictionary reconstruction 出发,引入 Plug-and-Play CNN prior,并重新考虑背景字典构造。HKU Scholars Hub
你这时候应该能看懂:
Low-Rank Representation
↓
Background Dictionary
↓
Representation Coefficient
↓
PnP CNN Prior
↓
Background Reconstruction
↓
Residual
↓
Anomaly要达到什么程度?#
这一篇要做到:
论文能够讲出来 + 官方代码完整复现。
而不是:
“大概知道用了 CNN。”
答辩时别人问:
为什么 CNN 在这里不是直接做异常分类?
PnP 到底 plug 的是什么?
为什么重新构造 background dictionary?
你能够回答。
九、Paper 7 ★★★★★ 核心#
RoSEGS#
Hyperspectral Image Denoising via Robust Subspace Estimation and Group Sparsity Constraint
IEEE TGRS,2023。
这是你以前已经接触过的。它针对 HSI mixed noise,结合鲁棒子空间估计、稀疏噪声检测、group sparsity 和 Plug-and-Play denoiser。ResearchGate
现在重新读时,重点不是公式本身,而是弄懂:
Observed HSI
Y = Clean HSI
+ Gaussian Noise
+ Sparse Noise为什么:
先识别Sparse Noise
↓
估计Subspace
↓
在Reduced Image处理
↓
PnP Denoising
↓
重建HSI必须复现#
这是你的第二个核心复现。
最终自己能生成:
Noisy HSI
↓
RoSEGS
↓
Denoised HSI
↓
PSNR
SSIM
SAM十、Paper 8 ★★★★★#
MMR-HAD#
Multiscale Mamba Reconstruction Network for Hyperspectral Anomaly Detection
IEEE TGRS,2025。
这是符老师目前官方主页列出的代表论文之一,而且已经进入 Mamba + reconstruction 的路线。深圳大学计算机与软件工程学院
这里重点不是一开始硬复现。
要读懂它的核心问题:
传统重建网络为什么会把 anomaly 也重建出来?
理想情况:
Input
↓
Network
↓
只重建Background
Input - Background
↓
Anomaly但现实:
Input
↓
强大的Network
↓
Background + Anomaly都重建
Input - Reconstruction
↓
异常残差变小这叫一种典型的:
over-generalization / anomaly reconstruction
你之后自己的研究,很可能也会围绕这个问题展开。
十一、第四阶段:高光谱去噪的顶会发展#
现在开始看 CVPR/ICCV。
Paper 9 ★★★★★#
Non-Local Meets Global: An Integrated Paradigm for Hyperspectral Denoising#
CVPR 2019
非常推荐。
它提出一个很经典的思想:
Global Spectral Low-Rank
+
Spatial Non-local Similarity即:
HSI 光谱维有全局低秩性,同时空间上又存在大量相似 patch。
这是后来许多 HSI restoration 方法的重要思想来源。计算机视觉基金会开放获取
这篇和 RoSEGS 很适合对着读。
必须掌握:
- global spectral correlation;
- non-local similarity;
- patch group;
- reduced image;
- alternating optimization。
不要求你马上复现。
十二、Paper 10 ★★★★#
DDS2M#
Self-Supervised Denoising Diffusion Spatio-Spectral Model for Hyperspectral Image Restoration
ICCV 2023。
这篇让你认识:
Diffusion 怎么进入 HSI Restoration。
而且非常重要的一点是:
高光谱数据不像 ImageNet 那么多,所以 self-supervised 特别有价值。
DDS2M 就是不依赖额外干净训练数据、从退化 HSI 本身进行恢复。计算机视觉基金会开放获取
重点学:
为什么HSI缺数据?
为什么supervised restoration容易domain shift?
为什么self-supervised适合HSI?Diffusion 数学暂时不用完全推导。
十三、Paper 11 ★★★★★#
HIR-Diff#
Unsupervised Hyperspectral Image Restoration Via Improved Diffusion Models
CVPR 2024。
它把:
Low-rank Subspace
+
Diffusion Prior结合起来做 HSI restoration,而且覆盖 denoising、super-resolution、inpainting。计算机视觉基金会开放获取
这篇我很建议你认真读。
因为你会发现:
传统 model-driven prior
和
modern generative prior
不是互相替代,而是在融合。
这和符老师 DeCNN-AD / RoSEGS 的:
model-driven + deep prior
其实是同一种大思路。
十四、Paper 12 ★★★★#
Unmixing Diffusion for Self-Supervised Hyperspectral Image Denoising#
CVPR 2024。
这篇引入一个你以后很值得懂的概念:
Spectral Unmixing#
基本思想:
一个像素可能不是“纯材料”,而是:
Pixel Spectrum
=
0.6 × Material A
+
0.3 × Material B
+
0.1 × Material C对应:
Endmember
+
Abundance这篇把 spectral unmixing 和 diffusion 结合做自监督 HSI denoising。计算机视觉基金会开放获取
暂时不用复现。
但需要知道:
endmember 是什么;
abundance 是什么;
linear mixture model 是什么。
十五、2025 年再看两篇“现在发展到哪了”#
这两篇属于追前沿。
Paper 13 ★★★#
VolFormer#
Explore More Comprehensive Cube Interaction for Hyperspectral Image Restoration and Beyond
CVPR 2025。
它关注 HSI 是真正的三维 cube:
Height × Width × Spectral而传统 attention 往往只沿某个维度做。
VolFormer 尝试进行更加完整的 volumetric interaction。计算机视觉基金会开放获取
主要学习:
现代 Transformer 怎样建模 spatial-spectral interaction。
不用复现。
Paper 14 ★★★★#
MP-HSIR#
A Multi-Prompt Framework for Universal Hyperspectral Image Restoration
ICCV 2025。
这是非常值得关注的新趋势:
不再一个模型只处理一种 noise,而是做 universal restoration。
它引入:
- spectral prompt;
- textual prompt;
- visual prompt;
处理多种 degradation。计算机视觉基金会开放获取
这对你的“复杂噪声工业环境”非常有启发。
以后甚至可以研究:
不同工业相机、不同噪声条件,是否可以一个模型解决?
十六、Foundation Model 方向暂时只读一篇#
Paper 15 ★★★#
S2MAE#
A Spatial-Spectral Pretraining Foundation Model for Spectral Remote Sensing Data
CVPR 2024。
它把 MAE / masked pretraining 思路引入 spectral imagery,使用 spatial-spectral 预训练来学习通用表示。计算机视觉基金会开放获取
你重点知道:
传统:
一个数据集
↓
一个模型
Foundation Model:
大规模HSI
↓
Pretraining
↓
General Representation
↓
不同下游任务现阶段不建议你往 billion-scale foundation model 做毕业设计。
了解趋势即可。
HyperSIGMA 也可以作为进一步扩展阅读,目前已经发展到专门面向 HSI interpretation 的大规模 foundation model。arXiv
十七、你还应该补一条:工业异常检测#
这一块很重要。
因为你的最终场景不是纯遥感,而是工业质检。
所以至少看 3 篇 RGB 工业异常检测顶会论文。
Paper 16 ★★★★★#
PatchCore#
Towards Total Recall in Industrial Anomaly Detection
CVPR 2022。
这是工业 anomaly detection 很值得读的一篇。
核心:
只训练Normal Samples
↓
提取Patch Feature
↓
Memory Bank
↓
测试Feature离Normal Memory越远
↓
越可能异常非常符合现实工业:
缺陷样本很少,正常产品很多。 计算机视觉基金会开放获取
你需要思考:
PatchCore 的思想能否迁移到 hyperspectral feature?
这个问题就已经可能产生研究想法。
十八、Paper 17 ★★★★#
SimpleNet#
CVPR 2023。
一个很好理解、工程性很强的工业 anomaly detector。
它通过在 feature space 生成 artificial anomaly features,再训练 discriminator。计算机视觉基金会开放获取
特别值得你学的是:
人工合成异常用于训练。
未来你自己的问题完全可能变成:
Clean HSI
↓
Synthetic Noise
+
Synthetic Anomaly
↓
Noise-Robust HAD十九、Paper 18 ★★★#
WinCLIP#
Zero-/Few-Shot Anomaly Classification and Segmentation
CVPR 2023。
这是另一条路线:
CLIP
+
Text Prompt
+
Anomaly Detection实现 zero-shot / few-shot 工业异常检测。计算机视觉基金会开放获取
暂时不用深入。
但要知道未来可能出现:
HSI + Foundation Model + Zero-Shot Anomaly Detection。
二十、所以你的必读核心其实只有这 12 篇#
如果压缩到真正必须吃透:
| 顺序 | 论文 | 阅读程度 |
|---|---|---|
| 0 | HAD Deep Learning Review | 泛读 |
| 1 | RX Detector | 精读+自己实现 |
| 2 | Collaborative Representation HAD | 精读 |
| 3 | Low-Rank & Sparse HAD | 精读 |
| 4 | HySime | 重点理解 |
| 5 | DeCNN-AD | 精读+复现 |
| 6 | NGMeet | 精读 |
| 7 | RoSEGS | 精读+复现 |
| 8 | MMR-HAD | 精读 |
| 9 | DDS2M | 重点阅读 |
| 10 | HIR-Diff | 精读 |
| 11 | PatchCore | 精读 |
剩下:
KRX、Diff-Unmix、VolFormer、MP-HSIR、S2MAE、SimpleNet、WinCLIP
作为扩展阅读。
这样不至于把自己淹死。
二十一、你真正需要补的数学#
不用先把一本数学教材重新学一遍。
遇到论文再补。
第一阶段必须达到以下水平:
线性代数#
重点:
Vector / Matrix
Matrix Rank
Eigenvalue / Eigenvector
SVD
Orthogonal Basis
Projection
Covariance Matrix
Matrix Norm特别是:
\[ X=U\Sigma V^T \]你必须理解 SVD 在干什么。
概率统计#
掌握:
Gaussian Distribution
Multivariate Gaussian
Mean
Variance
Covariance
Mahalanobis Distance否则 RX 看不懂。
优化#
至少认识:
L1 Norm
L2 Norm
L2,1 Norm
Regularization
Gradient Descent
Proximal Operator
Alternating Optimization不要求现在自己推 ADMM。
看到公式知道它在解决什么即可。
深度学习#
需要补:
CNN
AutoEncoder
Residual Network
Attention
Transformer
Self-supervised Learning
Diffusion
Mamba学习顺序一定是:
CNN
↓
AutoEncoder
↓
Attention/Transformer
↓
Diffusion
↓
Mamba不要反过来。
二十二、你的第一个阶段目标:4 周#
Week 1:HSI + RX#
学:
HSI是什么
Spatial / Spectral
Spectrum
Band
Noise
Anomaly
RX读:
Review + RX。
完成:
Python 自己实现 RX。
Week 2:Representation#
读:
Collaborative Representation
Low-Rank Sparse HAD
补:
Dictionary
Sparse
Low Rank
SVD
Reconstruction最终你应该能解释:
为什么“重建不好 = 异常”。
Week 3:Subspace#
读:
HySime
NGMeet
补:
Subspace
Spectral Low Rank
Non-local Similarity最终能理解:
为什么几百个 HSI bands 可以压到低维表示。
Week 4:DeCNN-AD#
精读。
然后:
跑通官方代码。
最终写一份你自己的:
《DeCNN-AD论文阅读与复现笔记》
内容必须包含:
Problem
Motivation
Previous Method
Limitation
Core Idea
Architecture
Loss / Objective
Optimization
Dataset
Metric
Experiments
Ablation
Limitations
Possible Improvements以后每一篇精读论文都按照这套模板。
二十三、第二阶段目标:再 4 周#
Week 5~6#
RoSEGS。
达到:
能讲清 mixed noise;
能看懂 subspace representation;
能运行 RoSEGS;
能生成自己的 simulated noise;
能计算 PSNR / SSIM / SAM。
Week 7#
MMR-HAD。
重点:
Mamba
Multi-scale
Background Reconstruction
Random Mask
Anomaly Leakage不用硬复现。
Week 8#
DDS2M + HIR-Diff。
重点不是数学,而是搞清:
为什么Diffusion能做restoration
supervised vs self-supervised vs unsupervised
model prior vs learned prior二十四、第三阶段目标:一个非常重要的转折#
两个月之后,你就不要只是:
“继续读论文”。
你要开始做一个 Literature Matrix。
格式类似:
| Paper | 年份 | 核心假设 | Background模型 | Noise | Deep Prior | 优点 | 缺点 |
|---|---|---|---|---|---|---|---|
| RX | 1990 | Gaussian | Statistical | 弱 | × | 简单 | 背景假设强 |
| CRD | 2015 | Local representation | Dictionary | 弱 | × | 易解释 | dictionary污染 |
| LRSR | 2016 | low-rank+sparse | LRR | 一般 | × | 结构合理 | 优化较慢 |
| DeCNN-AD | 2021 | LRR | Dictionary | 一般 | CNN | PnP | …… |
| MMR-HAD | 2025 | Reconstruction | Mamba | ? | Mamba | 长程建模 | …… |
| Ours | 2027 | ? | ? | 复杂噪声 | ? | ? | ? |
最后那一行就是你的论文。
当你慢慢能填写:
“别人都解决了什么,还有什么没解决”
才真正进入科研。
二十五、3 个月后的达标标准#
我不给你定“读 20 篇论文”这种没意义的 KPI。
真正的目标是:
Level 1:知识#
看到:
RX
LRR
Sparse
Subspace
PnP
AutoEncoder
Transformer
Diffusion
Mamba你都知道是什么意思。
Level 2:论文#
拿到一篇新的 HAD 论文。
一天以内能回答:
它解决什么问题?
前人哪里不好?
它改了什么?
为什么这个改动理论上可能有效?
实验是不是支持它?
Level 3:代码#
至少自己完成:
RX √ 自己实现
DeCNN-AD √ 复现
RoSEGS √ 复现
Industrial Dataset √ 跑通Level 4:科研#
能够提出至少 3 个可验证的问题。
例如:
Gaussian / stripe / impulse noise 对不同 HAD 的影响是否一致?
去噪提高 PSNR 是否一定提高 anomaly AUC?
强去噪是否会把弱异常一起删除?
background reconstruction 是否会受到 noise 与 anomaly 双重污染?
这一步比“我想改个 attention”重要得多。
Level 5:进入自己的课题#
最后才能真正确定:
Noise-Robust Industrial Hyperspectral Anomaly Detection
然后才决定到底是:
Denoise → Detect
还是
Joint Denoising + Detection
还是
Noise-Aware Reconstruction
还是
Anomaly-Preserving Restoration不要现在就把“双分支网络”当最终创新。
前面我给你的双分支只是一个可行假设。
真正科研的正确顺序应该是:
读论文 → 做实验 → 找问题 → 再决定网络长什么样。