論文の概要: A TRPCA-Inspired Deep Unfolding Network for Hyperspectral Image Denoising via Thresholded t-SVD and Top-K Sparse Transformer

• arxiv url: http://arxiv.org/abs/2506.02364v1
• Date: Tue, 03 Jun 2025 02:01:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:35.195827
• Title: A TRPCA-Inspired Deep Unfolding Network for Hyperspectral Image Denoising via Thresholded t-SVD and Top-K Sparse Transformer
• Title（参考訳）: Thresholded t-SVD と Top-K Sparse Transformer によるハイパースペクトル画像復調のためのTRPCA-Inspired Deep Unfolding Network
• Authors: Liang Li, Jianli Zhao, Sheng Fang, Siyu Chen, Hui Sun,
• Abstract要約: 本稿では,低ランクとスパースという2つの密に統合されたモジュール間のステージワイドな交互化を実現する新しいディープ展開ネットワーク(DU-TRPCA)を提案する。 合成および実世界のHSIの実験により、DU-TRPCAは高密度混合雑音下で最先端の手法を超越していることが示された。
• 参考スコア（独自算出の注目度）: 20.17660504535571
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hyperspectral images (HSIs) are often degraded by complex mixed noise during acquisition and transmission, making effective denoising essential for subsequent analysis. Recent hybrid approaches that bridge model-driven and data-driven paradigms have shown great promise. However, most of these approaches lack effective alternation between different priors or modules, resulting in loosely coupled regularization and insufficient exploitation of their complementary strengths. Inspired by tensor robust principal component analysis (TRPCA), we propose a novel deep unfolding network (DU-TRPCA) that enforces stage-wise alternation between two tightly integrated modules: low-rank and sparse. The low-rank module employs thresholded tensor singular value decomposition (t-SVD), providing a widely adopted convex surrogate for tensor low-rankness and has been demonstrated to effectively capture the global spatial-spectral structure of HSIs. The Top-K sparse transformer module adaptively imposes sparse constraints, directly matching the sparse regularization in TRPCA and enabling effective removal of localized outliers and complex noise. This tightly coupled architecture preserves the stage-wise alternation between low-rank approximation and sparse refinement inherent in TRPCA, while enhancing representational capacity through attention mechanisms. Extensive experiments on synthetic and real-world HSIs demonstrate that DU-TRPCA surpasses state-of-the-art methods under severe mixed noise, while offering interpretability benefits and stable denoising dynamics inspired by iterative optimization. Code is available at https://github.com/liangli97/TRPCA-Deep-Unfolding-HSI-Denoising.
• Abstract（参考訳）: ハイパースペクトル画像(HSI)は、取得・送信時に複雑な混合ノイズによって劣化することが多く、その後の分析に有効なデノイングが不可欠である。 モデル駆動とデータ駆動のパラダイムを橋渡しする最近のハイブリッドアプローチは、非常に有望である。 しかし、これらのアプローチの多くは異なる先行群や加群間の効果的な交互化を欠いているため、疎結合な正規化と相補的な強みの活用は不十分である。 テンソルロバストな主成分分析(TRPCA)に着想を得て,低ランクとスパースという,密に統合された2つのモジュール間の段階的変化を強制する,新しい深部展開ネットワーク(DU-TRPCA)を提案する。 低ランクモジュールは、閾値テンソル特異値分解(t-SVD)を採用し、テンソル低ランク性のために広く採用されている凸サロゲートを提供し、HSIのグローバル空間スペクトル構造を効果的に捉えることが実証されている。 Top-Kスパーストランスモジュールはスパース制約を適応的に課し、TRPCAのスパース正規化を直接マッチングし、ローカライズされた外れ値と複素雑音の効果的除去を可能にする。 この密結合アーキテクチャは、低ランク近似とTRPCA固有のスパース精製とのステージワイドな交互化を保ちながら、注意機構による表現能力の向上を図っている。 合成および実世界のHSIに関する広範囲な実験により、DU-TRPCAは高い混合雑音下での最先端の手法を超越し、解釈可能性の利点と反復最適化にインスパイアされた安定な復調ダイナミクスを提供することを示した。 コードはhttps://github.com/liangli97/TRPCA-Deep-Unfolding-HSI-Denoisingで入手できる。

関連論文リスト

• Hyperspectral Anomaly Detection Fused Unified Nonconvex Tensor Ring Factors Regularization [29.080180491898805]
  本稿では、統合された非スペクトルフレームワーク(TR)正規化因子を組み込んだHAD-EUNTRFRを提案する。 提案手法は,既存のSOTA(State-of-the-art)アプローチを項項の精度で上回る。
  論文  参考訳（メタデータ） (2025-05-23T13:31:13Z)
• Outlier-aware Tensor Robust Principal Component Analysis with Self-guided Data Augmentation [21.981038455329013]
  適応重み付けを用いた自己誘導型データ拡張手法を提案する。 本研究では,最先端手法と比較して精度と計算効率の両面での改善を示す。
  論文  参考訳（メタデータ） (2025-04-25T13:03:35Z)
• Variational Bayesian Inference for Tensor Robust Principal Component Analysis [2.6623354466198412]
  現在のアプローチはテンソルの低ランク特性を正確に捉えるのにしばしば困難に遭遇する。 我々は、低ランクテンソル核ノルムと一般化された空間誘導前とを統合したTRPCAのためのベイズ的フレームワークを紹介する。 この方法は、重み付きテンソル核ノルムモデルに効率的に拡張することができる。
  論文  参考訳（メタデータ） (2024-12-25T00:29:09Z)
• Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
  擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。 我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。 SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
  論文  参考訳（メタデータ） (2024-06-10T21:44:52Z)
• Adaptive Semantic-Enhanced Denoising Diffusion Probabilistic Model for Remote Sensing Image Super-Resolution [7.252121550658619]
  Denoising Diffusion Probabilistic Model (DDPM) は画像再構成において有望な性能を示した。 DDPMが生成する高周波の詳細は、モデルが長距離の意味的文脈を見落としているため、HR画像との不一致に悩まされることが多い。 DDPMの詳細な保存能力を高めるために,適応的意味強化DDPM(ASDDPM)を提案する。
  論文  参考訳（メタデータ） (2024-03-17T04:08:58Z)
• 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)
• Calibrating Undisciplined Over-Smoothing in Transformer for Weakly Supervised Semantic Segmentation [51.14107156747967]
  弱教師付きセマンティックセマンティックセマンティクス(WSSS)は、完全な教師付きアプローチよりもアノテーションが少ないため、かなりの注目を集めている。 本研究では,非学際的な過密化に対する深い注意を抑えるための適応的再活性化機構 (AReAM) を提案する。 AReAMは既存のWSSS手法と比較してセグメンテーション性能を大幅に改善し、ノイズを低減し、関連するセマンティック領域に焦点を絞る。
  論文  参考訳（メタデータ） (2023-05-04T19:11:33Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• 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)
• 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)

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。