基于深度先验与低秩张量表示的压缩光谱图像重建
图像与视频处理
2021-05-19 v2 最优化与控制
摘要
压缩光谱成像（CSI）已成为一种替代性的光谱图像获取技术，它以需要恢复过程为代价减少了测量次数。一般而言，重建方法基于用作优化算法正则化的手工先验，或采用近期深度神经网络作为图像生成器来学习从低维压缩测量到图像空间的非线性映射。然而，这些 data-driven 方法需要大量光谱图像才能获得良好性能。本文提出了一种无需训练数据的 CSI 深度恢复框架。所提方法基于如下事实：某些深度神经网络的结构与适当的低维结构足以从 CSI 中强加底层光谱图像的结构。我们通过 Tucker 表示分析了低维结构，并在首层网络中建模。所提方案通过最小化压缩测量与预测测量之间的 -范数距离获得，所需恢复的光谱图像在正向算子之前形成。仿真与实验结果验证了所提方法的有效性。
引用
@article{arxiv.2101.07424,
title = {Compressive Spectral Image Reconstruction using Deep Prior and Low-Rank Tensor Representation},
author = {Jorge Bacca and Yesid Fonseca and Henry Arguello},
journal= {arXiv preprint arXiv:2101.07424},
year = {2021}
}