論文の概要: Hyperspectral Image Restoration via Global Total Variation Regularized
Local nonconvex Low-Rank matrix Approximation
- arxiv url: http://arxiv.org/abs/2005.04143v1
- Date: Fri, 8 May 2020 16:42:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 12:53:06.938751
- Title: Hyperspectral Image Restoration via Global Total Variation Regularized
Local nonconvex Low-Rank matrix Approximation
- Title（参考訳）: 大域的全変分正規化局所非凸低ランク行列近似によるハイパースペクトル画像復元
- Authors: Haijin Zeng, Xiaozhen Xie, Jifeng Ning
- Abstract要約: ハイパスペクトル画像(HSI)における混合ノイズを取り除くために、複数の帯域幅全変動(TV)正規化低ランク(LR)モデルが提案されている。
- 参考スコア（独自算出の注目度）: 1.3406858660972554
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Several bandwise total variation (TV) regularized low-rank (LR)-based models
have been proposed to remove mixed noise in hyperspectral images (HSIs).
Conventionally, the rank of LR matrix is approximated using nuclear norm (NN).
The NN is defined by adding all singular values together, which is essentially
a $L_1$-norm of the singular values. It results in non-negligible approximation
errors and thus the resulting matrix estimator can be significantly biased.
Moreover, these bandwise TV-based methods exploit the spatial information in a
separate manner. To cope with these problems, we propose a spatial-spectral TV
(SSTV) regularized non-convex local LR matrix approximation (NonLLRTV) method
to remove mixed noise in HSIs. From one aspect, local LR of HSIs is formulated
using a non-convex $L_{\gamma}$-norm, which provides a closer approximation to
the matrix rank than the traditional NN. From another aspect, HSIs are assumed
to be piecewisely smooth in the global spatial domain. The TV regularization is
effective in preserving the smoothness and removing Gaussian noise. These facts
inspire the integration of the NonLLR with TV regularization. To address the
limitations of bandwise TV, we use the SSTV regularization to simultaneously
consider global spatial structure and spectral correlation of neighboring
bands. Experiment results indicate that the use of local non-convex penalty and
global SSTV can boost the preserving of spatial piecewise smoothness and
overall structural information.
- Abstract（参考訳）: ハイパスペクトル画像(HSI)における混合ノイズを取り除くために,複数の帯域幅全変動(TV)正規化低ランク(LR)モデルが提案されている。
従来、LR行列のランクは核ノルム(NN)を用いて近似される。
NNはすべての特異値を加えて定義され、これは本質的に特異値の$L_1$-normである。
その結果、非無視的な近似誤差が発生し、その結果の行列推定器は著しくバイアスを受けることができる。
さらに、これらのバンドワイズTVベースの手法は、空間情報を別々に活用する。
これらの問題に対処するために、HSIの混合ノイズを取り除くために、空間スペクトルテレビ(SSTV)正規化非凸局所LR行列近似(NonLLRTV)法を提案する。
一面から、hsis の局所 lr は非凸 $l_{\gamma}$-norm を用いて定式化され、これは従来の nn よりも行列のランクに近い近似を与える。
別の側面から、HSIは大域空間領域において断片的に滑らかであると仮定される。
テレビの正則化は、滑らかさの維持とガウス雑音の除去に有効である。
これらの事実は、nonllrとtv正規化の統合を刺激する。
帯域幅テレビの限界に対処するために,SSTV正則化を用いてグローバル空間構造と近隣帯域のスペクトル相関を同時に検討する。
実験結果から,局所的非凸ペナルティとグローバルSSTVを用いることで,空間的スムーズさと全体構造情報の保存が促進されることが示唆された。
関連論文リスト
- Irregular Tensor Low-Rank Representation for Hyperspectral Image Representation [71.69331824668954]
低ランクテンソル表現はスペクトル変動を緩和するための重要なアプローチである。
従来の低ランク表現法は、通常のデータキューブにのみ適用できる。
本稿では,不規則な3次元立方体を効率的にモデル化できる新しい不規則な低ランク表現法を提案する。
論文 参考訳（メタデータ） (2024-10-24T02:56:22Z) - Spectral Enhanced Rectangle Transformer for Hyperspectral Image
Denoising [64.11157141177208]
ハイパースペクトル画像の空間的およびスペクトル的相関をモデル化するスペクトル拡張矩形変換器を提案する。
前者に対しては、長方形自己アテンションを水平および垂直に利用し、空間領域における非局所的類似性を捉える。
後者のために,空間スペクトル立方体の大域的低ランク特性を抽出し,雑音を抑制するスペクトル拡張モジュールを設計する。
論文 参考訳（メタデータ） (2023-04-03T09:42:13Z) - Graph Spatio-Spectral Total Variation Model for Hyperspectral Image
Denoising [16.562236225580513]
混合ノイズ除去のための新しいテレビ型正規化であるGraph-SSTV(GSSTV)を提案する。
GSSTVは、雑音の多いHSIからターゲットHSIの空間構造を明示的に反映したグラフを生成し、このグラフに基づいて重み付き空間差演算子を組み込む。
混合雑音除去実験による既存のHSI正則化モデルと比較して, GSSTVの有効性を示す。
論文 参考訳（メタデータ） (2022-07-22T12:46:21Z) - Low-rank Meets Sparseness: An Integrated Spatial-Spectral Total
Variation Approach to Hyperspectral Denoising [11.79762223888294]
勾配マップ(LRSTV)の疎度と低ランクの先行特性を同時に特徴付ける新しいテレビレギュラー化を提案する。
新しい正規化は勾配写像自体にスパーシリティを課すだけでなく、フーリエ変換後の勾配写像上のランクを罰する。
これは自然に勾配写像の空間性と低ランクの先行を符号化しており、したがって元の像の固有の構造をより忠実に反映することが期待されている。
論文 参考訳（メタデータ） (2022-04-27T12:31:55Z) - Hyperspectral Image Denoising Using Non-convex Local Low-rank and Sparse
Separation with Spatial-Spectral Total Variation Regularization [49.55649406434796]
本研究では,HSI復調のためのロバストな主成分分析のための新しい非特異なアプローチを提案する。
我々は、ランクとスパースコンポーネントの両方に対する正確な近似を開発する。
シミュレーションと実HSIの両方の実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2022-01-08T11:48:46Z) - Benign Overfitting of Constant-Stepsize SGD for Linear Regression [122.70478935214128]
帰納バイアスは 経験的に過剰フィットを防げる中心的存在です
この研究は、この問題を最も基本的な設定として考慮している: 線形回帰に対する定数ステップサイズ SGD。
我々は、(正規化されていない)SGDで得られるアルゴリズム正則化と、通常の最小二乗よりも多くの顕著な違いを反映する。
論文 参考訳（メタデータ） (2021-03-23T17:15:53Z) - Non-local Meets Global: An Iterative Paradigm for Hyperspectral Image
Restoration [66.68541690283068]
ハイパースペクトル画像復元のための空間特性とスペクトル特性を組み合わせた統一パラダイムを提案する。
提案するパラダイムは,非局所空間デノゲーションと光計算の複雑さから,性能上の優位性を享受する。
HSI復調、圧縮再構成、塗装タスクの実験は、シミュレーションと実際のデータセットの両方で、その優位性を示している。
論文 参考訳（メタデータ） (2020-10-24T15:53:56Z) - Hyperspectral Image Denoising with Partially Orthogonal Matrix Vector
Tensor Factorization [42.56231647066719]
ハイパースペクトル画像(HSI)は、スペクトルの余分な情報により、様々な用途の自然画像に対していくつかの利点がある。
買収の間、しばしばガウシアンノイズ、インパルスノイズ、期限、ストライプなどの厳しい騒音によって汚染される。
本研究では,スムーズかつロバストな低ランクテンソルリカバリというHSI復元手法を提案する。
論文 参考訳（メタデータ） (2020-06-29T02:10:07Z) - Hyperspectral Image Denoising via Global Spatial-Spectral Total
Variation Regularized Nonconvex Local Low-Rank Tensor Approximation [1.3406858660972554]
騒音汚染は頻繁に発生し、変換ペナルティはスムーズな局所ドメインを示す。
本稿では,この側面を復元するための新しい近似全変動(SSTV)を提案する。
結果は、HSIの全体的な構造情報を高めることができる。
論文 参考訳（メタデータ） (2020-05-30T10:03:39Z) - Modal Regression based Structured Low-rank Matrix Recovery for
Multi-view Learning [70.57193072829288]
近年、低ランクなマルチビューサブスペース学習は、クロスビューの分類において大きな可能性を示している。
既存のLMvSLベースの手法では、ビューの区別と差別を同時に扱うことができない。
本稿では,視差を効果的に除去し,識別性を向上する独自の方法であるStructured Low-rank Matrix Recovery (SLMR)を提案する。
論文 参考訳（メタデータ） (2020-03-22T03:57:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。