論文の概要: Graph Spatio-Spectral Total Variation Model for Hyperspectral Image Denoising

• arxiv url: http://arxiv.org/abs/2207.11050v1
• Date: Fri, 22 Jul 2022 12:46:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-25 13:38:43.281316
• Title: Graph Spatio-Spectral Total Variation Model for Hyperspectral Image Denoising
• Title（参考訳）: ハイパースペクトル画像復調のためのグラフ空間スペクトル全変動モデル
• Authors: Shingo Takemoto, Kazuki Naganuma, and Shunsuke Ono
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 16.562236225580513
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The spatio-spectral total variation (SSTV) model has been widely used as an effective regularization of hyperspectral images (HSI) for various applications such as mixed noise removal. However, since SSTV computes local spatial differences uniformly, it is difficult to remove noise while preserving complex spatial structures with fine edges and textures, especially in situations of high noise intensity. To solve this problem, we propose a new TV-type regularization called Graph-SSTV (GSSTV), which generates a graph explicitly reflecting the spatial structure of the target HSI from noisy HSIs and incorporates a weighted spatial difference operator designed based on this graph. Furthermore, we formulate the mixed noise removal problem as a convex optimization problem involving GSSTV and develop an efficient algorithm based on the primal-dual splitting method to solve this problem. Finally, we demonstrate the effectiveness of GSSTV compared with existing HSI regularization models through experiments on mixed noise removal. The source code will be available at https://www.mdi.c.titech.ac.jp/publications/gsstv.
• Abstract（参考訳）: 混合雑音除去などの様々な用途において,高スペクトル像(HSI)の有効正則化として,SSTVモデルが広く用いられている。 しかし, sstvは局所的な空間差を均一に計算するので, 複雑な空間構造を細かなエッジやテクスチャで保ちながら, ノイズの除去は困難である。 本稿では,雑音hsisからターゲットhsiの空間構造を明示的に反映するグラフを生成し,このグラフに基づいて設計した重み付き空間差分演算子を組み込んだ,新しいテレビ型正規化手法であるgraph-sstv(gsstv)を提案する。 さらに,gsstvを含む凸最適化問題として混合雑音除去問題を定式化し,本手法に基づく効率的なアルゴリズムを開発し,この問題を解決した。 最後に, 混合雑音除去実験により, 既存のhsi正規化モデルと比較してgsstvの有効性を示す。 ソースコードはhttps://www.mdi.c.で入手できる。 titech.ac.jp/publications/gsstv.

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)
• Hybrid Convolutional and Attention Network for Hyperspectral Image Denoising [54.110544509099526]
  ハイパースペクトル画像(HSI)は、ハイパースペクトルデータの効果的な解析と解釈に重要である。 ハイブリット・コンボリューション・アテンション・ネットワーク(HCANet)を提案する。 主流HSIデータセットに対する実験結果は,提案したHCANetの合理性と有効性を示している。
  論文  参考訳（メタデータ） (2024-03-15T07:18:43Z)
• 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)
• Weighted structure tensor total variation for image denoising [0.5120567378386615]
  画像復号化問題に対して、構造テンソル全変量モデル(STV)は、他の競合する正規化手法と比較して優れた性能を示す。 異方性全変動(ATV)モデルに導入された異方性重み付き行列を用いてSTVモデルを改善する。 提案する重み付きSTVモデルは,画像からローカル情報を効果的に取得し,復調過程において詳細を維持できる。
  論文  参考訳（メタデータ） (2023-06-18T05:37:38Z)
• 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)
• Spatial-Spectral Transformer for Hyperspectral Image Denoising [31.86587556847128]
  ハイパースペクトル画像(HSI)は、その後のHSIアプリケーションにとって重要な前処理手順である。 既存の畳み込みに基づく手法は、HSIの非局所特性をモデル化する計算効率と能力のトレードオフに直面している。 この問題を軽減するための空間スペクトル変換器(SST)を提案する。
  論文  参考訳（メタデータ） (2022-11-25T13:18:45Z)
• 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)
• Unsupervised Single Image Super-resolution Under Complex Noise [60.566471567837574]
  本稿では,一般のSISRタスクを未知の劣化で扱うためのモデルベースunsupervised SISR法を提案する。 提案手法は, より小さなモデル (0.34M vs. 2.40M) だけでなく, より高速な技術 (SotA) 法 (約1dB PSNR) の現況を明らかに超えることができる。
  論文  参考訳（メタデータ） (2021-07-02T11:55:40Z)
• 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)

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。