用于单张 RGB 图像高效光谱重建的深度修正梯度下降法
图像与视频处理
2021-08-29 v1 计算机视觉与模式识别
摘要
本文研究从单张 RGB 图像恢复高光谱(HS)图像的问题。为应对这一严重不适定问题,我们提出了一种物理可解释、紧凑、高效且端到端基于学习的框架,即 AGD-Net。具体而言,利用成像过程,我们首先基于经典梯度下降算法显式地建立问题模型。然后,我们设计了一个具有多阶段架构的轻量级神经网络来模拟所形成的修正梯度下降过程,其中提出了高效卷积与新颖的光谱零均值归一化,以有效提取空-谱特征,从而回归初始化、基础梯度和增量梯度。此外,基于 HS 图像的近似低秩特性,我们提出了一种新颖的秩损失来促进重建与真实 HS 图像全局结构之间的相似性,并在训练中使用我们的奇异值加权策略进行优化。而且,经过一次训练的单一网络 AGD-Net 可灵活处理具有不同光谱响应函数的重建。在三个常用基准数据集上的大量实验表明,与最先进的方法相比,AGD-Net 在平均提升超过 1.0 dB 重建质量的同时,节省了 67 参数量和 32 FLOPs。代码将公开于 https://github.com/zbzhzhy/GD-Net。
引用
@article{arxiv.2108.05547,
title = {Deep Amended Gradient Descent for Efficient Spectral Reconstruction from Single RGB Images},
author = {Zhiyu Zhu and Hui Liu and Junhui Hou and Sen Jia and Qingfu Zhang},
journal= {arXiv preprint arXiv:2108.05547},
year = {2021}
}