論文の概要: Hyperspectral Image Denoising via Self-Modulating Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2309.08197v1
• Date: Fri, 15 Sep 2023 06:57:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-18 15:46:29.818340
• Title: Hyperspectral Image Denoising via Self-Modulating Convolutional Neural Networks
• Title（参考訳）: 自己変調畳み込みニューラルネットワークによるハイパースペクトル画像の雑音化
• Authors: Orhan Torun, Seniha Esen Yuksel, Erkut Erdem, Nevrez Imamoglu, Aykut Erdem
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 15.700048595212051
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Compared to natural images, hyperspectral images (HSIs) consist of a large number of bands, with each band capturing different spectral information from a certain wavelength, even some beyond the visible spectrum. These characteristics of HSIs make them highly effective for remote sensing applications. That said, the existing hyperspectral imaging devices introduce severe degradation in HSIs. Hence, hyperspectral image denoising has attracted lots of attention by the community lately. While recent deep HSI denoising methods have provided effective solutions, their performance under real-life complex noise remains suboptimal, as they lack adaptability to new data. To overcome these limitations, in our work, we introduce a self-modulating convolutional neural network which we refer to as SM-CNN, which utilizes correlated spectral and spatial information. At the core of the model lies a novel block, which we call spectral self-modulating residual block (SSMRB), that allows the network to transform the features in an adaptive manner based on the adjacent spectral data, enhancing the network's ability to handle complex noise. In particular, the introduction of SSMRB transforms our denoising network into a dynamic network that adapts its predicted features while denoising every input HSI with respect to its spatio-spectral characteristics. Experimental analysis on both synthetic and real data shows that the proposed SM-CNN outperforms other state-of-the-art HSI denoising methods both quantitatively and qualitatively on public benchmark datasets.
• Abstract（参考訳）: 自然画像と比較すると、ハイパースペクトル画像(hsis)は多数のバンドで構成されており、それぞれのバンドは特定の波長から異なるスペクトル情報を捉えている。 これらの特徴は、リモートセンシングアプリケーションに非常に有効である。 とは言っても、既存のハイパースペクトルイメージング装置はHSIを著しく劣化させる。 そのため,近年,ハイパースペクトル画像の表示がコミュニティの注目を集めている。 近年の深部hsiデノイジング手法は効果的な解決策を提供してきたが、新しいデータへの適応性に欠けるため、実生活の複雑な雑音下での性能は相変わらず最適ではない。 これらの制限を克服するため、我々の研究では、相関スペクトルと空間情報を利用するSM-CNNと呼ばれる自己変調畳み込みニューラルネットワークを導入する。 モデルの中核は、スペクトル自己変調残差ブロック(ssmrb)と呼ばれる新しいブロックであり、これは、ネットワークが隣接するスペクトルデータに基づいて適応的に特徴を変換でき、複雑なノイズを処理するネットワークの能力を高める。 特に、SSMRBの導入により、予測された特徴に適応する動的ネットワークに変換され、各入力HSIを、その時空間特性について復調する。 合成データと実データの両方を実験的に解析した結果,sm-cnnは,公開ベンチマークデータセット上で定量的かつ定性的に,他の最先端hsi区切り法よりも優れていることがわかった。

関連論文リスト

• TBSN: Transformer-Based Blind-Spot Network for Self-Supervised Image Denoising [94.09442506816724]
  BSN(Blind-spot Network)は、自己教師型イメージデノベーション(SSID)において一般的なネットワークアーキテクチャである。 本稿では, ブラインドスポット要求を満たす変圧器演算子の解析と再設計により, 変圧器ベースブラインドスポットネットワーク(TBSN)を提案する。 空間的自己注意のために、注意行列に精巧なマスクを適用して受容場を制限し、拡張された畳み込みを模倣する。 チャネル自己アテンションについては,マルチスケールアーキテクチャの深層部において,チャネル数が空間的サイズよりも大きい場合,盲点情報を漏洩する可能性がある。
  論文  参考訳（メタデータ） (2024-04-11T15:39:10Z)
• 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)
• 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)
• 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)
• 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)
• Multi-stage image denoising with the wavelet transform [125.2251438120701]
  深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。 動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
  論文  参考訳（メタデータ） (2022-09-26T03:28:23Z)
• SSCAN: A Spatial-spectral Cross Attention Network for Hyperspectral Image Denoising [12.873607414761093]
  本稿では,グループ畳み込みとアテンションモジュールを組み合わせた新しいHSIデノベーションネットワークSSCANを提案する。 ハイパースペクトル画像における空間情報とスペクトル情報を有効利用するためのスペクトル空間アテンションブロック(SSAB)を提案する。 実験結果から,提案したSSCANは,最先端のHSI復調アルゴリズムよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2021-05-23T14:36:17Z)
• 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)
• Enhancement of a CNN-Based Denoiser Based on Spatial and Spectral Analysis [23.11994688706024]
  本稿では,複数のノイズで劣化した画像を1つのモデルで復元する離散ウェーブレットデノイズCNN(WDnCNN)を提案する。 この問題に対処するために、周波数スペクトルの異なる部分から係数を正規化するバンド正規化モジュール(BNM)を提案する。 提案したWDnCNNを評価し,他の最先端のデノイザと比較した。
  論文  参考訳（メタデータ） (2020-06-28T05:25:50Z)
• ADRN: Attention-based Deep Residual Network for Hyperspectral Image Denoising [52.01041506447195]
  ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。 実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-03-04T08:36:27Z)

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。