論文の概要: Fast Noise Removal in Hyperspectral Images via Representative
Coefficient Total Variation
- arxiv url: http://arxiv.org/abs/2211.01825v1
- Date: Thu, 3 Nov 2022 14:06:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-04 14:01:34.143605
- Title: Fast Noise Removal in Hyperspectral Images via Representative
Coefficient Total Variation
- Title(参考訳): 代表係数変動によるハイパースペクトル画像の高速ノイズ除去
- Authors: Jiangjun Peng, Hailin Wang, Xiangyong Cao, Xinlin Liu, Xiangyu Rui and
Deyu Meng
- Abstract要約: データの構造的先行をマイニングすることは、ハイパースペクトル画像(HSI)のタスクを認知する技術として広く認知されている。
モデルベースのメソッドは優れた一般化能力を持ち、ランタイムは高速な処理要求を満たすことができない。
低位と局所的な滑らかな特性を同時に特徴付けるために,代表係数トータル変分 (RCTV) という新しい正規化器を提案する。
- 参考スコア(独自算出の注目度): 38.23169948685068
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mining structural priors in data is a widely recognized technique for
hyperspectral image (HSI) denoising tasks, whose typical ways include
model-based methods and data-based methods. The model-based methods have good
generalization ability, while the runtime cannot meet the fast processing
requirements of the practical situations due to the large size of an HSI data $
\mathbf{X} \in \mathbb{R}^{MN\times B}$. For the data-based methods, they
perform very fast on new test data once they have been trained. However, their
generalization ability is always insufficient. In this paper, we propose a fast
model-based HSI denoising approach. Specifically, we propose a novel
regularizer named Representative Coefficient Total Variation (RCTV) to
simultaneously characterize the low rank and local smooth properties. The RCTV
regularizer is proposed based on the observation that the representative
coefficient matrix $\mathbf{U}\in\mathbb{R}^{MN\times R} (R\ll B)$ obtained by
orthogonally transforming the original HSI $\mathbf{X}$ can inherit the strong
local-smooth prior of $\mathbf{X}$. Since $R/B$ is very small, the HSI
denoising model based on the RCTV regularizer has lower time complexity.
Additionally, we find that the representative coefficient matrix $\mathbf{U}$
is robust to noise, and thus the RCTV regularizer can somewhat promote the
robustness of the HSI denoising model. Extensive experiments on mixed noise
removal demonstrate the superiority of the proposed method both in denoising
performance and denoising speed compared with other state-of-the-art methods.
Remarkably, the denoising speed of our proposed method outperforms all the
model-based techniques and is comparable with the deep learning-based
approaches.
- Abstract(参考訳): データの構造的先行をマイニングすることは、モデルに基づく手法やデータに基づく手法を含む、ハイパースペクトル画像(HSI)のタスクを記述するための広く知られている技法である。
モデルベースの手法は優れた一般化能力を持つが、ランタイムはHSIデータ $ \mathbf{X} \in \mathbb{R}^{MN\times B}$ の大きいサイズのため、実際の状況の高速な処理要求を満たすことはできない。
データベースのメソッドでは、トレーニングされた新しいテストデータに対して非常に高速に実行する。
しかし、その一般化能力は常に不十分である。
本稿では,高速モデルに基づくhsiデノイジング手法を提案する。
具体的には,低位と局所的な滑らかな特性を同時に特徴付ける代表係数総変動 (rctv) という新しい正規化器を提案する。
RCTV正則化器は、代表係数行列 $\mathbf{U}\in\mathbb{R}^{MN\times R} (R\ll B)$ が元の HSI $\mathbf{X}$ を直交変換することで、$\mathbf{X}$ より前の強い局所滑らかさを継承できるという観測に基づいて提案される。
R/B$は非常に小さいので、RCTV正規化器に基づくHSI復調モデルは時間的複雑さが低い。
さらに、代表係数行列 $\mathbf{u}$ は雑音に対してロバストであるため、rctv正則化器はいくらかhsi消音モデルのロバスト性を促進することができる。
混合雑音除去に関する広範囲な実験により,提案手法は他の最先端手法と比較して,ノイズ除去性能と雑音除去速度の両方において優れていることが示された。
驚くべきことに,提案手法の発声速度は,モデルベース手法のすべてに匹敵し,ディープラーニングベースの手法に匹敵する。
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) - Orthogonal Constrained Minimization with Tensor $\ell_{2,p}$ Regularization for HSI Denoising and Destriping [9.158391874035011]
ハイパースペクトル画像(HSI)は、ガウスノイズ、デッドライン、ストライプなどの混合ノイズによって汚染されることが多い。
我々は,NLTL2pと呼ばれるHSIデノベーションとデトリップのための新しいアプローチを提案する。
論文 参考訳(メタデータ) (2024-07-04T03:33:19Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳(メタデータ) (2023-06-10T08:25:16Z) - A GPU-Accelerated Light-field Super-resolution Framework Based on Mixed
Noise Model and Weighted Regularization [4.898659895355356]
本稿では,高分解能LF像を混合ガウス・イムパルス雑音下で再構成するためのGPU加速計算フレームワークを提案する。
混在騒音を考慮したHR再構成誤差をペナルティ化するためのデータフィデリティ項としてell1$-ell2$のジョイントを導出する。
本稿では,乗算器アルゴリズム (ADMM) の交互方向法を用いて計算を簡略化できることを示す。
論文 参考訳(メタデータ) (2022-06-09T05:23:05Z) - 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) - 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) - 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)
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。