論文の概要: STAR-Net: An Interpretable Model-Aided Network for Remote Sensing Image Denoising

• arxiv url: http://arxiv.org/abs/2505.24327v1
• Date: Fri, 30 May 2025 08:09:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:52.842767
• Title: STAR-Net: An Interpretable Model-Aided Network for Remote Sensing Image Denoising
• Title（参考訳）: STAR-Net:リモートセンシング画像復調のための解釈可能なモデル支援ネットワーク
• Authors: Jingjing Liu, Jiashun Jin, Xianchao Xiu, Jianhua Zhang, Wanquan Liu,
• Abstract要約: スパーステンソル支援表現ネットワーク(STAR-Net)という新しいRSI復調手法を提案する。 我々はSTAR-NetをSTAR-Net-Sと呼ばれるスパース変種に拡張し、ロバスト性の向上を目的としたオリジナルのRSIにおける非ガウス雑音による干渉に対処する。 合成および実世界のデータセットに関する包括的な実験は、STAR-NetとSTAR-Net-Sが最先端のRSI復調法より優れていることを示した。
• 参考スコア（独自算出の注目度）: 19.319042523414183
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Remote sensing image (RSI) denoising is an important topic in the field of remote sensing. Despite the impressive denoising performance of RSI denoising methods, most current deep learning-based approaches function as black boxes and lack integration with physical information models, leading to limited interpretability. Additionally, many methods may struggle with insufficient attention to non-local self-similarity in RSI and require tedious tuning of regularization parameters to achieve optimal performance, particularly in conventional iterative optimization approaches. In this paper, we first propose a novel RSI denoising method named sparse tensor-aided representation network (STAR-Net), which leverages a low-rank prior to effectively capture the non-local self-similarity within RSI. Furthermore, we extend STAR-Net to a sparse variant called STAR-Net-S to deal with the interference caused by non-Gaussian noise in original RSI for the purpose of improving robustness. Different from conventional iterative optimization, we develop an alternating direction method of multipliers (ADMM)-guided deep unrolling network, in which all regularization parameters can be automatically learned, thus inheriting the advantages of both model-based and deep learning-based approaches and successfully addressing the above-mentioned shortcomings. Comprehensive experiments on synthetic and real-world datasets demonstrate that STAR-Net and STAR-Net-S outperform state-of-the-art RSI denoising methods.
• Abstract（参考訳）: リモートセンシング画像(RSI)はリモートセンシングの分野で重要なトピックである。 RSI denoisingメソッドの目覚ましい性能にもかかわらず、現在のディープラーニングベースのアプローチはブラックボックスとして機能し、物理的な情報モデルとの統合が欠如しており、限定的な解釈可能性につながっている。 さらに、多くの手法は、RSIにおける非局所的な自己相似性への注意不足に苦慮し、特に従来の反復最適化アプローチにおいて、最適な性能を達成するために、規則化パラメータの面倒なチューニングを必要とする。 本稿では,まず,Sparse tensor-aided representation network (STAR-Net) と呼ばれる新しいRSIデノベーション手法を提案する。 さらに,STAR-NetをSTAR-Net-Sと呼ばれるスパース変種に拡張し,非ガウス雑音による干渉に対処し,ロバスト性の向上を図る。 従来の反復最適化とは違って,すべての正規化パラメータを自動的に学習し,モデルベースと深層学習の両アプローチの利点を継承し,上記の欠点に対処する手法を開発した。 合成および実世界のデータセットに関する包括的な実験は、STAR-NetとSTAR-Net-Sが最先端のRSI復調法より優れていることを示した。

関連論文リスト

• Unsupervised Image Denoising in Real-World Scenarios via Self-Collaboration Parallel Generative Adversarial Branches [28.61750072026107]
  ディープラーニング手法は、特に大規模なペア化されたデータセットでトレーニングされた場合、画像の認知において顕著なパフォーマンスを示している。 ディープラーニング手法は、特に大規模なペア化されたデータセットでトレーニングされた場合、画像の認知において顕著なパフォーマンスを示している。 しかし、そのようなペア化されたデータセットを現実のシナリオで取得することは、大きな課題となる。
  論文  参考訳（メタデータ） (2023-08-13T14:04:46Z)
• 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)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• A Comparative Study of Deep Learning and Iterative Algorithms for Joint Channel Estimation and Signal Detection in OFDM Systems [11.190815358585137]
  周波数分割多重化システムでは,共同チャネル推定と信号検出が重要である。 従来のアルゴリズムは低信号対雑音比(SNR)のシナリオでは不十分である。 深層学習 (DL) 手法は検討されているが, 計算コストや低SNR設定による検証の欠如が懸念されている。
  論文  参考訳（メタデータ） (2023-03-07T06:34:04Z)
• Low-light Image Enhancement by Retinex Based Algorithm Unrolling and Adjustment [50.13230641857892]
  本稿では,低照度画像強調(LIE)問題に対する新たなディープラーニングフレームワークを提案する。 提案フレームワークは,大域的明るさと局所的明るさ感度の両方を考慮したアルゴリズムアンロールと調整ネットワークに着想を得た分解ネットワークを含む。 一連の典型的なLIEデータセットの実験では,既存の手法と比較して,定量的かつ視覚的に,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-02-12T03:59:38Z)
• Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
  我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。 我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。 提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
  論文  参考訳（メタデータ） (2021-10-20T06:15:45Z)
• Improving noise robust automatic speech recognition with single-channel time-domain enhancement network [100.1041336974175]
  単一チャネルの時間領域分割手法により,ASRの性能が大幅に向上することを示す。 単一チャネル雑音の低減はASR性能を向上できることを示す。
  論文  参考訳（メタデータ） (2020-03-09T09:36:31Z)
• MSE-Optimal Neural Network Initialization via Layer Fusion [68.72356718879428]
  ディープニューラルネットワークは、さまざまな分類と推論タスクに対して最先端のパフォーマンスを達成する。 グラデーションと非進化性の組み合わせは、学習を新しい問題の影響を受けやすいものにする。 確率変数を用いて学習した深層ネットワークの近傍層を融合する手法を提案する。
  論文  参考訳（メタデータ） (2020-01-28T18:25:15Z)

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。