用于光谱压缩成像的深度高斯尺度混合先验
图像与视频处理
2021-03-31 v2 计算机视觉与模式识别
摘要
在编码孔径快照光谱成像(CASSI)系统中,真实高光谱图像(HSI)可从所捕获的压缩图像中一次性重建。基于模型的 HSI 重建方法采用手工先验来解决重建问题,但由于这些手工先验的表示能力有限,大多成效有限。基于深度学习的方法直接学习压缩图像与 HSI 之间的映射,取得了远优的结果。然而,启发式地设计强大的深度网络以取得满意结果并非易事。本文中,我们提出一种基于最大后验(MAP)估计框架、使用所学高斯尺度混合(GSM)先验的新型 HSI 重建方法。不同于现有使用手工尺度先验(如 Jeffrey 先验)的 GSM 模型,我们提出通过深度卷积神经网络(DCNN)学习尺度先验。此外,我们还提出由 DCNN 估计 GSM 模型的局部均值。MAP 估计算法的所有参数与 DCNN 参数均通过端到端训练联合优化。在合成与真实数据集上的大量实验结果表明,所提方法优于现有最先进方法。代码见 https://see.xidian.edu.cn/faculty/wsdong/Projects/DGSM-SCI.htm。
引用
@article{arxiv.2103.07152,
title = {Deep Gaussian Scale Mixture Prior for Spectral Compressive Imaging},
author = {Tao Huang and Weisheng Dong and Xin Yuan and Jinjian Wu and Guangming Shi},
journal= {arXiv preprint arXiv:2103.07152},
year = {2021}
}
备注
10 pages, 8 figures, CVPR 2021