AE-RED：一种由深度自编码器与去噪正则化驱动的高光谱解混框架
计算机视觉与模式识别
2023-07-04 v1 图像与视频处理
摘要
光谱解混已被广泛研究并应用于众多领域。近来，具备深度学习能力的数据驱动技术在光谱解混中获得了极大关注，因其自动学习结构信息的优越能力。特别地，基于自编码器的架构被精心设计并用于解决盲解混与建模复杂非线性混合。然而，这些方法将解混任务作为黑箱执行且缺乏可解释性。另一方面，传统解混方法精心设计并正则化器以加入显式信息，其中如即插即用（PnP）策略等算法利用现成去噪器来插入强大先验。本文提出一种将自编码器网络与去噪正则化（RED）相集成的通用解混框架，命名为 AE-RED。更具体地，我们将解混优化问题分解为两个子问题。第一个使用深度自编码器求解，以隐式正则化估计并建模混合机制。第二个利用去噪器引入显式信息。如此，基于深度自编码器的解混方法特性与去噪器提供的先验均被融入我们精心设计的框架中，以提升解混性能。在合成与真实数据集上的实验结果表明，与最先进的解混方法相比，我们所提框架具有优越性。
引用
@article{arxiv.2307.00269,
title = {AE-RED: A Hyperspectral Unmixing Framework Powered by Deep Autoencoder and Regularization by Denoising},
author = {Min Zhao and Jie Chen and Nicolas Dobigeon},
journal= {arXiv preprint arXiv:2307.00269},
year = {2023}
}