环境高光谱分解的代理多模态模型

高光谱分解是遥感中的一项关键任务，旨在将高光谱图像中的混合像素分解为其组成材料特征或端元及其分数丰度。传统的模块化方法通过连续的模型阶估计、端元提取和丰度估计阶段来估计场景组成，其错误可能导致冗余或模糊的候选组件，并最终影响恢复的分解。我们引入了一种与算法无关的大型视觉语言模型（LVLM）驱动的代理框架，该框架可以细化此类管道的输出，而不是替换其底层数值算法。从初始分解开始，代理通过专用工具（包括光谱库检索和丰度图可视化）迭代收集互补的光谱和空间证据，并通过合并和丢弃操作修改活性端元集，然后进行丰度重新估计。我们将相同的细化程序应用于结合不同模型阶数、提取和丰度估计方法的多个模块化管道，并在 HYDICE Urban、Jasper Ridge 和 Stonewall Playa 上对其进行评估。实验表明，所提出的代理持续改善了端元基数，并普遍改善了异构模块化管道中恢复的光谱特征和丰度图，同时与集成的端到端解混合方法（包括 CNN-AE、uDAS 和 R-CoNMF）保持竞争力。这些结果凸显了使用工具的 LVLM 代理将光谱和空间证据结合起来，以实现与算法无关的物理基础高光谱分解分解的细化的潜力。代码可在 https://anonymous.4open.science/r/agentic-hu 上公开获取。