TGRS2026
基于分数域感知和对比统计正则化网络的高光谱异常检测
针对高光谱异常检测中弱小目标易受高维光谱数据及复杂异质背景干扰、传统方法依赖较强的背景分布假设，以及现有特征提取方法对频域信息利用不足、难以有效区分微弱异常与背景等问题，提出一种基于分数阶域感知与对比统计正则化网络的高光谱异常检测方法（FDCRN）。该方法以扩散模型为基础框架，通过频域特征增强、空间—光谱信息融合及特征分布校正三个方面提升复杂场景下的背景抑制与异常识别能力。首先，设计轻量化分数阶傅里叶变换（LFrFT）模块，利用可学习的分数阶参数自适应调节光谱频率分量，挖掘弱小异常目标与复杂背景之间的细微频域差异；其次，构建多尺度空间—光谱增强（MSSE）模块，采用深度可分离卷积提取多尺度空间特征，并与光谱信息协同融合，增强弱小目标的空间—光谱关联表征能力；进一步引入统计自适应与对比学习（SACL）模块，动态校正特征分布偏移，扩大异常目标与背景特征之间的判别距离，提高复杂背景下的异常区分能力。该研究将分数阶频域分析、多尺度空间—光谱建模与对比统计约束相结合，为复杂场景下高光谱弱小异常目标的精细识别与鲁棒检测提供了新的技术途径。