基于扩散方程稳定的可调节Despeckling神经网络
计算机视觉与模式识别
2024-12-24 v2 图像与视频处理
摘要
合成孔雀雷达（SAR）图像中去除乘性Gamma噪声是关键研究领域，神经网络作为强大的工具。然而，现实数据常与理论模型不符，呈现各种干扰，导致神经网络效果较差。对抗攻击可作为判断神经网络对实数据适应性的标准，因为对抗攻击能够找到最极端的扰动，使神经网络失效。本文设计扩散方程作为正则化模块，由于其自然耗散特性，提供足够的正则性。我们提出了一个可调节的、正则化的神经网络框架，将浅层去噪神经网络块和扩散正则化块展开为单个网络进行端到端训练。采用已知具有内在光滑性和低通滤波特性的线性热方程作为扩散正则化模块。在我们的模型中，单个时间步长超参数控制输出的光滑性，可动态调整，显著增强灵活性。我们理论证明了该模型的稳定性和收敛性。实验结果表明，所提出的模型有效消除由对抗攻击引起的高频振荡。最后，在模拟图像、对抗样本和真实SAR图像上与几个最先进的去噪方法进行基准测试，所提出的模型在定量和视觉评估中均表现出优异性能。
关键词
引用
@article{arxiv.2411.15921,
title = {A Tunable Despeckling Neural Network Stabilized via Diffusion Equation},
author = {Yi Ran and Zhichang Guo and Jia Li and Yao Li and Martin Burger and Boying Wu},
journal= {arXiv preprint arXiv:2411.15921},
year = {2024}
}