論文の概要: Hyperspectral Mixed Noise Removal via Subspace Representation and Weighted Low-rank Tensor Regularization

• arxiv url: http://arxiv.org/abs/2111.07044v1
• Date: Sat, 13 Nov 2021 05:30:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-16 17:35:37.177099
• Title: Hyperspectral Mixed Noise Removal via Subspace Representation and Weighted Low-rank Tensor Regularization
• Title（参考訳）: 部分空間表現と軽量低ランクテンソル規則化による高スペクトル混合ノイズ除去
• Authors: Hang Zhou, Yanchi Su, Zhanshan Li
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 10.131033322742363
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, the low-rank property of different components extracted from the image has been considered in man hyperspectral image denoising methods. However, these methods usually unfold the 3D tensor to 2D matrix or 1D vector to exploit the prior information, such as nonlocal spatial self-similarity (NSS) and global spectral correlation (GSC), which break the intrinsic structure correlation of hyperspectral image (HSI) and thus lead to poor restoration quality. In addition, most of them suffer from heavy computational burden issues due to the involvement of singular value decomposition operation on matrix and tensor in the original high-dimensionality space of HSI. We employ subspace representation and the weighted low-rank tensor regularization (SWLRTR) into the model to remove the mixed noise in the hyperspectral image. Specifically, to employ the GSC among spectral bands, the noisy HSI is projected into a low-dimensional subspace which simplified calculation. After that, a weighted low-rank tensor regularization term is introduced to characterize the priors in the reduced image subspace. Moreover, we design an algorithm based on alternating minimization to solve the nonconvex problem. Experiments on simulated and real datasets demonstrate that the SWLRTR method performs better than other hyperspectral denoising methods quantitatively and visually.
• Abstract（参考訳）: 近年、画像から抽出された成分の低位特性は、マンハイパースペクトル画像の雑音化法で検討されている。 しかしながら、これらの手法は通常、非局所空間自己相似性(NSS)や大域スペクトル相関(GSC)といった事前情報を利用するために3次元テンソルを2次元行列や1次元ベクトルに展開する。 さらに, HSIのもともとの高次元空間において, 行列とテンソルに特異値分解演算が関与しているため, 計算負荷の重い問題に悩まされることが多い。 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。 具体的には、スペクトル帯域間でGSCを利用するために、ノイズの多いHSIを低次元のサブ空間に投影し、計算を単純化する。 その後、減像部分空間の先行を特徴付けるために、重み付き低ランクテンソル正規化項を導入する。 さらに,非凸問題を解くために,交互最小化に基づくアルゴリズムを設計する。 シミュレーションおよび実データを用いた実験により、SWLRTR法は他の超分光法よりも定量的かつ視覚的に優れた性能を示した。

関連論文リスト

• ESSAformer: Efficient Transformer for Hyperspectral Image Super-resolution [76.7408734079706]
  単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。 本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
  論文  参考訳（メタデータ） (2023-07-26T07:45:14Z)
• 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)
• 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)
• FastHyMix: Fast and Parameter-free Hyperspectral Image Mixed Noise Removal [20.043152870504738]
  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。
  論文  参考訳（メタデータ） (2021-09-18T08:35:45Z)
• Regularization by Denoising Sub-sampled Newton Method for Spectral CT Multi-Material Decomposition [78.37855832568569]
  スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。 特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。 スペクトルct材料分解の数値的および実験的結果を示す。
  論文  参考訳（メタデータ） (2021-03-25T15:20:10Z)
• 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)
• 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 Super-resolution via Deep Progressive Zero-centric Residual Learning [62.52242684874278]
  空間情報とスペクトル情報の相互モダリティ分布が問題となる。 本稿では,PZRes-Netという,新しいテクスライトウェイトなディープニューラルネットワークベースのフレームワークを提案する。 本フレームワークは,高分解能かつテクテッセロ中心の残像を学習し,シーンの空間的詳細を高頻度で表現する。
  論文  参考訳（メタデータ） (2020-06-18T06:32:11Z)

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。