論文の概要: Unsupervised Hyperspectral Mixed Noise Removal Via Spatial-Spectral Constrained Deep Image Prior

• arxiv url: http://arxiv.org/abs/2008.09753v2
• Date: Thu, 10 Jun 2021 14:22:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 08:05:32.658983
• Title: Unsupervised Hyperspectral Mixed Noise Removal Via Spatial-Spectral Constrained Deep Image Prior
• Title（参考訳）: 空間スペクトル制約深部画像を用いた教師なしハイパースペクトル混合ノイズ除去
• Authors: Yi-Si Luo, Xi-Le Zhao, Tai-Xiang Jiang, Yu-Bang Zheng, Yi Chang
• Abstract要約: HSI混合雑音除去のための空間スペクトル制約深部画像(S2DIP)を提案する。 提案したS2DIPは、訓練データなしで深部CNNから得られる表現力を利用する。 提案手法は, DIPのHSI復調能力を大幅に向上させる。
• 参考スコア（独自算出の注目度）: 20.800924148446978
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recently, convolutional neural network (CNN)-based methods are proposed for hyperspectral images (HSIs) denoising. Among them, unsupervised methods such as the deep image prior (DIP) have received much attention because these methods do not require any training data. However, DIP suffers from the semi-convergence behavior, i.e., the iteration of DIP needs to terminate by referring to the ground-truth image at the optimal iteration point. In this paper, we propose the spatial-spectral constrained deep image prior (S2DIP) for HSI mixed noise removal. Specifically, we incorporate DIP with a spatial-spectral total variation (SSTV) term to fully preserve the spatial-spectral local smoothness of the HSI and an $\ell_1$-norm term to capture the complex sparse noise. The proposed S2DIP jointly leverages the expressive power brought from the deep CNN without any training data and exploits the HSI and noise structures via hand-crafted priors. Thus, our method avoids the semi-convergence behavior, showing higher stabilities than DIP. Meanwhile, our method largely enhances the HSI denoising ability of DIP. To tackle the proposed denoising model, we develop an alternating direction multiplier method algorithm. Extensive experiments demonstrate that the proposed S2DIP outperforms optimization-based and supervised CNN-based state-of-the-art HSI denoising methods.
• Abstract（参考訳）: 近年,高スペクトル画像(HSI)をデノナイズするための畳み込みニューラルネットワーク(CNN)に基づく手法が提案されている。 これらの手法はトレーニングデータを必要としないため,dip(deep image prior)などの教師なし手法が注目されている。 しかし、DIPは半収束の挙動に悩まされており、すなわち、DIPの反復は最適な反復点における基底真実像を参照することによって終了する必要がある。 本稿では,HSI混合雑音除去のための空間スペクトル制約深度画像(S2DIP)を提案する。 具体的には、hsiの空間スペクトル局所平滑性を完全に保持するために空間スペクトル全変動(sstv)項と$\ell_1$-norm項を組み込んで複雑なスパースノイズを捉える。 提案したS2DIPは、訓練データなしで深部CNNから得られる表現力と、手作りの先行手法によるHSIとノイズ構造を併用する。 そこで本手法は半収束挙動を回避し,DIPよりも高い安定性を示す。 一方,本手法はdipのhsi消音能力を大きく向上させる。 提案する分別モデルに取り組むため,交互方向乗算法アルゴリズムを開発した。 広汎な実験により,提案したS2DIPは最適化ベースおよび教師付きCNNベースの最先端HSI復調法より優れていた。

関連論文リスト

• Hybrid Spatial-spectral Neural Network for Hyperspectral Image Denoising [10.588958070064916]
  本稿では,CNNとTransformer特性にインスパイアされたハイブリッド空間スペクトル復調ネットワークを提案する。 提案手法は空間的およびスペクトル的再構成における最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-06-13T03:27:01Z)
• Degradation-Noise-Aware Deep Unfolding Transformer for Hyperspectral Image Denoising [9.119226249676501]
  ハイパースペクトル画像(HSI)は、帯域幅が狭いため、ノイズが多いことが多い。 HSIデータキューブのノイズを低減するため、モデル駆動型と学習型の両方の復調アルゴリズムが提案されている。 本稿では,これらの問題に対処するDNA-Net(Degradation-Noise-Aware Unfolding Network)を提案する。
  論文  参考訳（メタデータ） (2023-05-06T13:28:20Z)
• 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)
• DDS2M: Self-Supervised Denoising Diffusion Spatio-Spectral Model for Hyperspectral Image Restoration [103.79030498369319]
  ハイパースペクトル画像復元のための自己教師付き拡散モデルを提案する。 textttDDS2Mは、既存の拡散法と比較して、より強力な一般化能力を持っている。 HSIのノイズ除去、ノイズ除去、様々なHSIの超解像実験は、既存のタスク固有状態よりもtextttDDS2Mの方が優れていることを示した。
  論文  参考訳（メタデータ） (2023-03-12T14:57:04Z)
• Zero-shot Blind Image Denoising via Implicit Neural Representations [77.79032012459243]
  暗黙的ニューラル表現(INR)のアーキテクチャ的帰納的バイアスを利用した代替的認知戦略を提案する。 提案手法は,低雑音シナリオや実雑音シナリオの広い範囲において,既存のゼロショット復調手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-05T12:46:36Z)
• AP-BSN: Self-Supervised Denoising for Real-World Images via Asymmetric PD and Blind-Spot Network [60.650035708621786]
  ブラインド・スポット・ネットワーク(BSN)とその変種は、自己監督型デノナイジングにおいて大きな進歩を遂げた。 自己教師付きBSNを用いて空間的に相関した実世界の雑音に対処することは困難である。 近年,実世界の雑音の空間的相関を取り除くために,画素シャッフルダウンサンプリング (PD) が提案されている。 本稿では,この問題に対処する非対称PD(AP)を提案する。
  論文  参考訳（メタデータ） (2022-03-22T15:04:37Z)
• Hyperspectral Image Denoising with Log-Based Robust PCA [29.566894890976194]
  ハイパースペクトル画像(HSI)から重音と混合音を除去することは難しい課題である。 本稿では,HSI復調のための新しい非近似手法を提案する。 実HSIのシミュレーション実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-05-25T13:32:01Z)
• Hyperspectral Denoising Using Unsupervised Disentangled Spatio-Spectral Deep Priors [10.65207459525818]
  近年、データ駆動ニューラルネットワークは、rgb自然画像のノイズ化に有望な性能を示している。 データ駆動の事前処理は、トレーニングデータがないため、ハイパースペクトル画像の取得が難しい。 この研究は、HSIの古典的スペクトル分解に基づく教師なしのDIPフレームワークを提供する。
  論文  参考訳（メタデータ） (2021-02-24T14:38:51Z)
• SMDS-Net: Model Guided Spectral-Spatial Network for Hyperspectral Image Denoising [10.597014770267672]
  ディープ・ラーニング (DL) に基づくハイパースペクトル画像 (HSI) 法は、観測されたノイズ画像と基礎となるクリーン画像との間の非線形マッピングを直接学習する。 本稿では,HSIデノベーションのための新しいモデルガイド付き解釈可能なネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-03T11:05:01Z)
• 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)
• Simultaneous Denoising and Dereverberation Using Deep Embedding Features [64.58693911070228]
  ディープ埋め込み特徴を用いた同時発声・発声同時学習法を提案する。 ノイズ発生段階では、DCネットワークを利用してノイズのないディープ埋込み特性を抽出する。 残響段階では、教師なしのK平均クラスタリングアルゴリズムの代わりに、別のニューラルネットワークを用いて無響音声を推定する。
  論文  参考訳（メタデータ） (2020-04-06T06:34:01Z)

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。