論文の概要: FastHyMix: Fast and Parameter-free Hyperspectral Image Mixed Noise
Removal
- arxiv url: http://arxiv.org/abs/2109.08879v1
- Date: Sat, 18 Sep 2021 08:35:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-21 16:12:45.627099
- Title: FastHyMix: Fast and Parameter-free Hyperspectral Image Mixed Noise
Removal
- Title（参考訳）: FastHyMix:高速かつパラメータフリーなハイパースペクトル画像混合ノイズ除去
- Authors: Lina Zhuang and Michael K. Ng
- Abstract要約: 本稿では,高速かつパラメータフリーなハイパースペクトル画像混合ノイズ除去法(FastHyMix)を提案する。
これは、スペクトル領域における低ランク性と空間領域における高相関性という、ハイパースペクトルデータの2つの主要な特徴を利用する。
提案手法は,サブスペース表現とHSIの相関を利用して,より強力な深度画像を追加することで低ランク化を実現する。
- 参考スコア（独自算出の注目度）: 20.043152870504738
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hyperspectral imaging with high spectral resolution plays an important role
in finding objects, identifying materials, or detecting processes. The decrease
of the widths of spectral bands leads to a decrease in the signal-to-noise
ratio (SNR) of measurements. The decreased SNR reduces the reliability of
measured features or information extracted from HSIs. Furthermore, the image
degradations linked with various mechanisms also result in different types of
noise, such as Gaussian noise, impulse noise, deadlines, and stripes. This
paper introduces a fast and parameter-free hyperspectral image mixed noise
removal method (termed FastHyMix), which characterizes the complex distribution
of mixed noise by using a Gaussian mixture model and exploits two main
characteristics of hyperspectral data, namely low-rankness in the spectral
domain and high correlation in the spatial domain. The Gaussian mixture model
enables us to make a good estimation of Gaussian noise intensity and the
location of sparse noise. The proposed method takes advantage of the
low-rankness using subspace representation and the spatial correlation of HSIs
by adding a powerful deep image prior, which is extracted from a neural
denoising network. An exhaustive array of experiments and comparisons with
state-of-the-art denoisers were carried out. The experimental results show
significant improvement in both synthetic and real datasets. A MATLAB demo of
this work will be available at https://github.com/LinaZhuang for the sake of
reproducibility.
- Abstract（参考訳）: 高スペクトル分解能のハイパースペクトルイメージングは、物体の発見、材料同定、プロセス検出において重要な役割を果たす。
スペクトル帯域幅の減少は、測定の信号-雑音比(SNR)の減少につながる。
SNRの低下は、HSIから抽出した計測特徴や情報の信頼性を低下させる。
さらに、様々なメカニズムに関連付けられた画像劣化は、ガウスノイズ、インパルスノイズ、期限、ストライプといった様々な種類のノイズを引き起こす。
本稿では,ガウス混合モデルを用いて混合雑音の複雑な分布を特徴付ける高速かつパラメータフリーな高スペクトル画像混合ノイズ除去法(fasthymix)を提案し,スペクトル領域の低ランク性と空間領域の高相関性という超スペクトルデータの2つの特徴を生かした。
ガウス混合モデルにより,ガウス雑音強度とスパースノイズの位置を良好に推定できる。
提案手法は,ニューラルネットワークから抽出した強力な深部画像に先行することにより,サブスペース表現を用いた低ランク性とhsisの空間相関性を活用する。
実験の網羅的配列と最先端デノイザーとの比較を行った。
実験結果は, 合成データと実データの両方において有意な改善を示した。
この作業のMATLABデモは再現性のためにhttps://github.com/LinaZhuangで公開される。
関連論文リスト
- NoiseDiffusion: Correcting Noise for Image Interpolation with Diffusion Models beyond Spherical Linear Interpolation [86.7260950382448]
画像の妥当性を補正する新しい手法としてノイズ拡散法を提案する。
NoiseDiffusionはノイズの多い画像空間内で動作し、これらのノイズの多い画像に生画像を注入することで、情報損失の課題に対処する。
論文 参考訳（メタデータ） (2024-03-13T12:32:25Z) - Hyperspectral Image Denoising via Self-Modulating Convolutional Neural
Networks [15.700048595212051]
相関スペクトルと空間情報を利用した自己変調畳み込みニューラルネットワークを提案する。
モデルの中心には新しいブロックがあり、隣り合うスペクトルデータに基づいて、ネットワークが適応的に特徴を変換することができる。
合成データと実データの両方の実験解析により,提案したSM-CNNは,他の最先端HSI復調法よりも優れていることが示された。
論文 参考訳（メタデータ） (2023-09-15T06:57:43Z) - Realistic Noise Synthesis with Diffusion Models [68.48859665320828]
Deep Image Denoisingモデルは、しばしば高品質なパフォーマンスのために大量のトレーニングデータに依存します。
本稿では,拡散モデル,すなわちRealistic Noise Synthesize Diffusor(RNSD)を用いて現実的な雑音を合成する新しい手法を提案する。
RNSDは、より現実的なノイズや空間的相関を複数の周波数で生成できるような、ガイド付きマルチスケールコンテンツを組み込むことができる。
論文 参考訳（メタデータ） (2023-05-23T12:56:01Z) - Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。
これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。
まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。
次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
論文 参考訳（メタデータ） (2023-05-17T13:56:48Z) - 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) - SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。
本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。
提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
論文 参考訳（メタデータ） (2022-06-09T14:00:26Z) - Hyperspectral Mixed Noise Removal via Subspace Representation and
Weighted Low-rank Tensor Regularization [10.131033322742363]
我々は,超スペクトル画像の混合雑音を取り除くために,部分空間表現と重み付き低ランクテンソル正規化(SWLRTR)をモデルに採用する。
実験により、SWLRTR法は、他の高スペクトル分解法よりも定量的かつ視覚的に優れた性能を示すことが示された。
論文 参考訳（メタデータ） (2021-11-13T05:30:56Z) - Hyperspectral Image Denoising and Anomaly Detection Based on Low-rank
and Sparse Representations [7.2647309738186685]
ハイパースペクトルイメージングは、瞬間的な視野における電磁エネルギーの量を非常に高解像度で測定する。
スペクトル分解能の増大は、しばしば各チャネルで受信される光子の数が減少することを意味する。
この劣化は抽出された情報の品質と潜在的な応用を制限する。
論文 参考訳（メタデータ） (2021-03-12T18:07:27Z) - 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) - Residual-driven Fuzzy C-Means Clustering for Image Segmentation [152.609322951917]
画像分割のための残留駆動型ファジィC平均(FCM)について詳述する。
この枠組みに基づいて,混合雑音分布の重み付けによる重み付き$ell_2$-norm忠実度項を示す。
その結果、既存のFCM関連アルゴリズムよりも提案アルゴリズムの有効性と効率が優れていることが示された。
論文 参考訳（メタデータ） (2020-04-15T15:46:09Z)
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。