論文の概要: Deep Gaussian Scale Mixture Prior for Spectral Compressive Imaging

• arxiv url: http://arxiv.org/abs/2103.07152v1
• Date: Fri, 12 Mar 2021 08:57:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-15 21:07:17.119565
• Title: Deep Gaussian Scale Mixture Prior for Spectral Compressive Imaging
• Title（参考訳）: スペクトル圧縮イメージングに先立つ深部ガウススケール混合物
• Authors: Tao Huang, Weisheng Dong, Xin Yuan, Jinjian Wu, Guangming Shi
• Abstract要約: 本稿では,ポストリア(MAP)推定フレームワークに基づく新しいHSI再構成手法を提案する。 また,深層畳み込みニューラルネットワーク(DCNN)によるGSMモデルの局所平均の推定も提案する。
• 参考スコア（独自算出の注目度）: 48.34565372026196
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In coded aperture snapshot spectral imaging (CASSI) system, the real-world hyperspectral image (HSI) can be reconstructed from the captured compressive image in a snapshot. Model-based HSI reconstruction methods employed hand-crafted priors to solve the reconstruction problem, but most of which achieved limited success due to the poor representation capability of these hand-crafted priors. Deep learning based methods learning the mappings between the compressive images and the HSIs directly achieved much better results. Yet, it is nontrivial to design a powerful deep network heuristically for achieving satisfied results. In this paper, we propose a novel HSI reconstruction method based on the Maximum a Posterior (MAP) estimation framework using learned Gaussian Scale Mixture (GSM) prior. Different from existing GSM models using hand-crafted scale priors (e.g., the Jeffrey's prior), we propose to learn the scale prior through a deep convolutional neural network (DCNN). Furthermore, we also propose to estimate the local means of the GSM models by the DCNN. All the parameters of the MAP estimation algorithm and the DCNN parameters are jointly optimized through end-to-end training. Extensive experimental results on both synthetic and real datasets demonstrate that the proposed method outperforms existing state-of-the-art methods. The code is available at https://see.xidian.edu.cn/faculty/wsdong/Projects/DGSM-SCI.htm.
• Abstract（参考訳）: 符号化開口分光画像(CASSI)システムでは、撮像された圧縮画像から実世界のハイパースペクトル画像(HSI)を再構成することができる。 モデルに基づくhsi再構成法では,手作りプリアーを用いて復元問題を解決するが,そのほとんどが,手作りプリアーの表現能力の低さにより限界的な成功を収めた。 深層学習に基づく圧縮画像とHSI間のマッピング学習手法は、はるかに優れた結果を得た。 しかし、満足な結果を得るために強力なディープ・ネットワークをヒューリスティックに設計するのは簡単ではない。 本稿では,学習型ガウススケール混合 (gsm) を用いた最大後方推定法(map)に基づく新しいhsi再構成法を提案する。 手作りのスケールプリエント(例えばjeffrey's prior)を用いた既存のgsmモデルとは異なり、我々はdeep convolutional neural network(dcnn)を通じてそのスケールを学習することを提案する。 さらに,DCNN による GSM モデルの局所的平均値の推定も提案する。 MAP推定アルゴリズムとDCNNパラメータの全てのパラメータは、エンドツーエンドのトレーニングによって共同最適化される。 合成データと実データの両方に関する広範な実験結果から,提案手法が既存の最先端手法よりも優れていることが分かる。 コードはhttps://see.xidian.edu.cn/faculty/wsdong/Projects/DGSM-SCI.htmで入手できる。

関連論文リスト

• Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
  本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。 実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-08-28T10:07:17Z)
• Graph Image Prior for Unsupervised Dynamic Cardiac Cine MRI Reconstruction [10.330083869344445]
  グラフ画像優先(GIP)と呼ばれる動的MRI表現のための新しい手法を提案する。 GIPは2段階生成ネットワークを新しいモデリング手法に採用し、まず独立したCNNを用いて各フレームのイメージ構造を復元する。 グラフ畳み込みネットワークは特徴融合と画像生成に利用される。
  論文  参考訳（メタデータ） (2024-03-23T08:57:46Z)
• Binarized Spectral Compressive Imaging [59.18636040850608]
  ハイパースペクトル画像(HSI)再構成のための既存のディープラーニングモデルは、優れた性能を実現するが、膨大なメモリと計算資源を持つ強力なハードウェアを必要とする。 本稿では,BiSRNet(Biarized Spectral-Redistribution Network)を提案する。 BiSRNetは,提案手法を用いてベースモデルのバイナライズを行う。
  論文  参考訳（メタデータ） (2023-05-17T15:36:08Z)
• Pushing the Efficiency Limit Using Structured Sparse Convolutions [82.31130122200578]
  本稿では,画像の固有構造を利用して畳み込みフィルタのパラメータを削減する構造的スパース畳み込み(SSC)を提案する。 我々は、SSCが効率的なアーキテクチャにおける一般的なレイヤ(奥行き、グループ回り、ポイント回りの畳み込み)の一般化であることを示す。 SSCに基づくアーキテクチャは、CIFAR-10、CIFAR-100、Tiny-ImageNet、ImageNet分類ベンチマークのベースラインと比較して、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2022-10-23T18:37:22Z)
• A Fast Alternating Minimization Algorithm for Coded Aperture Snapshot Spectral Imaging Based on Sparsity and Deep Image Priors [8.890754092562918]
  Coded Aperture snapshot Spectrum Imaging (CASSI)は、3次元ハイパースペクトル画像(HSI)を再構成する技術である。 本稿では,自然画像の空間と深部画像の先行値(Fama-P)に基づいて,高速な変動最小化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-12T03:29:14Z)
• Learning A 3D-CNN and Transformer Prior for Hyperspectral Image Super-Resolution [80.93870349019332]
  本稿では,CNN の代わりに Transformer を用いて HSI の事前学習を行う新しい HSISR 手法を提案する。 具体的には、まず勾配アルゴリズムを用いてHSISRモデルを解き、次に展開ネットワークを用いて反復解過程をシミュレートする。
  論文  参考訳（メタデータ） (2021-11-27T15:38:57Z)
• End to end hyperspectral imaging system with coded compression imaging process [13.00211539170695]
  符号化開口スペクトルイメージングシステムに基づく物理インフォームド自己監督CNN法を提案する。 本手法は、符号化されたスペクトル情報から空間スペクトルの相対化を効果的に利用し、カメラ量子効果モデルに基づく自己監視システムを構築する。
  論文  参考訳（メタデータ） (2021-09-06T13:39:54Z)
• Snapshot Hyperspectral Imaging Based on Weighted High-order Singular Value Regularization [22.5033027930853]
  スナップショットハイパースペクトルイメージングは、単一の2D測定で3Dハイパースペクトル画像(HSI)をキャプチャできます。 既存の復元方法は、3D HSIの構造的スペクトル空間的性質を完全に利用することはできない。 スナップショットハイパースペクトル画像の再構成精度を高めるために,高次テンソル最適化法を提案する。
  論文  参考訳（メタデータ） (2021-01-22T02:54:55Z)
• The Power of Triply Complementary Priors for Image Compressive Sensing [89.14144796591685]
  本稿では,一対の相補的な旅先を含むLRD画像モデルを提案する。 次に、画像CSのためのRDモデルに基づく新しいハイブリッド・プラグイン・アンド・プレイ・フレームワークを提案する。 そこで,提案したH-based image CS問題の解法として,単純で効果的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-16T08:17:44Z)

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。