高光谱图像分类是遥感领域的一个重要问题，在地球科学中有着广泛的应用。近年来，人们提出了大量基于深度学习的HSI分类方法。然而，现有方法处理高维、高冗余和复杂数据的能力有限，这使得捕获数据的光谱空间分布和样本之间的关系具有挑战性。 为了解决这一问题，我们提出了一种基于扩散模型的HSI分类生成框架(SpectralDiff)，该框架通过迭代去噪和显式构建数据生成过程，有效地挖掘高维和高冗余数据的分布信息，从而更好地反映样本之间的关系。
该框架由光谱空间扩散模块和基于注意力的分类模块组成。
光谱-空间扩散模块采用正向和反向光谱-空间扩散过程，实现样本关系的自适应构建，无需预先了解图形结构或邻域信息。 它捕获HSI中目标的光谱空间分布和上下文信息，并在反向扩散过程中挖掘无监督光谱空间扩散特征。
最后，将这些特征输入到基于注意力的分类模块中，用于每像素分类。 扩散特征可以通过重建分布促进跨样本感知，从而提高分类性能。
代码：https://github.com/chenning0115/SpectralDiff
图1 整体框架
图2 光谱-空间去噪网络的结构
